先不用急着改 Clef 模型或直接调阈值。相似输入下决策忽好忽坏，通常要分两条线查：一是输入特征量纲差异太大，模型对轻微扰动敏感；二是决策分数本来就落在阈值附近，阈值稍微一动标签就翻转。建议按“先确认波动是否真实存在，再查特征尺度，再做归一化对比，最后扫阈值”的顺序排查，每一步都用同一批相似样本回放验证。

如果同一组相似输入反复出现标签翻转，或者决策分数在阈值附近上下跳动，问题往往不是单点异常。优先记录波动样本和决策分数，再检查各特征数值范围是否差一个数量级以上；对训练和推理使用同一套归一化参数，若波动仍存在，再扫阈值并观察翻转样本是否集中在边界。调整归一化方式还是阈值，取决于波动来源；改动后必须用原样本回放对比，避免用一次结果下结论。

收集一组相似输入的决策结果，标记波动样本

先把“忽好忽坏”变成可复现的记录。取同一业务场景下只有轻微差异的输入，例如数值特征做小范围扰动、类别特征保持不变、缺失值填法一致。对每个样本调用 Clef 记录决策标签、决策分数、当前阈值、与阈值距离和是否翻转。建议至少覆盖 10 到 20 个相似样本，不要求数据量大，但要求差异可控。

波动幅度不要只写“变了”，可以写成“标签翻转 / 分数变化 / 无变化”，并保留原始输入摘要。这样后续才能判断是模型对某些特征敏感，还是阈值边界导致。

如果同一输入多次调用也波动，先排查随机种子、模型版本、缓存或推理服务是否一致；如果只是不同样本间波动，继续看特征范围和阈值。

检查输入特征的数值范围和分布

把用于 Clef 决策的特征列导出，先看均值和标准差，再看最大最小值。量纲差异大的特征直接进入模型时，距离计算、线性加权或梯度类模型会把大数值特征放大，导致相似输入产生不同决策。判断标准可以先用这个：不同特征的 range 或 std 差一个数量级以上，就优先考虑归一化；如果模型是树模型，对单调缩放不敏感，但阈值判定仍可能受分箱和边界影响，需要结合 Clef 实际配置确认。

Python 示例，输入文件换成你的特征表：

import numpy as np
import pandas as pd

df = pd.read_csv('clef_features.csv')
stats = df.describe().T
stats['range'] = stats['max'] - stats['min']
stats['cv'] = stats['std'] / stats['mean'].replace(0, np.nan)
print(stats[['mean', 'std', 'min', 'max', 'range', 'cv']])

判断时不要只看一列，要把所有进入 Clef 的特征放在一起比较。若某个特征量纲远大于其他特征，且它本身不是业务上应占主导的字段，通常需要归一化。缺失值填充也要检查，填 0 和填均值可能改变分布。

对特征做归一化后重新跑决策，对比结果稳定性

归一化不要只对推理数据做，训练和推理必须使用同一套参数。Min-Max 适合边界较清楚的数值特征，Z-Score 适合近似正态或存在离群值的特征。下面给通用骨架，训练集 fit，推理集 transform：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler

train = pd.read_csv('train_features.csv')
infer = pd.read_csv('infer_features.csv')
feature_cols = [c for c in train.columns if c not in ['id', 'label']]

scaler = MinMaxScaler()
# 或者 Z-Score: scaler = StandardScaler()
scaler.fit(train[feature_cols])

infer_norm = infer.copy()
infer_norm[feature_cols] = scaler.transform(infer[feature_cols])

# 用同一批相似样本调用 Clef
# scores_norm = clef_predict(infer_norm[feature_cols])
# 与归一化前的 scores_raw 对比

对比时看三件事：标签翻转样本是否减少；同一相似样本的决策分数排序是否更稳定；分数与阈值的距离是否不再紧贴边界。如果归一化后波动明显缓解，说明特征尺度是主要来源；如果归一化后标签仍然频繁翻转，继续查阈值和判定逻辑。注意保存 scaler 参数，推理时加载同一份，不要每次重新 fit。

检查决策阈值附近的样本，观察阈值是否过于敏感

把归一化前后的决策分数都拿出来，按分数排序，重点看落在阈值附近的样本。如果很多相似样本的分数集中在阈值两侧很小的范围内，那么不是输入特征一定有问题，而是判定边界太陡。可以用阈值扫描记录不同阈值下的决策变化：

import pandas as pd
import numpy as np

scores = pd.Series([...])  # 换成 Clef 输出的决策分数
baseline_pred = (scores >= 0.5).astype(int)  # 当前阈值改为实际值

rows = []
for t in np.arange(0.30, 0.71, 0.05):
    pred = (scores >= t).astype(int)
    rows.append({
        'threshold': round(t, 2),
        'positive_count': int(pred.sum()),
        'flip_vs_baseline': int((pred != baseline_pred).sum())
    })

print(pd.DataFrame(rows))

记录表可以按下面字段整理。如果某个候选阈值只移动一小步就导致一批样本翻转，而分数分布本身没有明显分界，通常说明阈值需要结合业务成本重新选，或者增加阈值缓冲带。

阈值来源也要确认：是验证集调出来的、业务规则定的，还是沿用默认值。不同来源对应不同调整空间。

根据排查结果决定调整归一化方式还是阈值

排查完后，修正方向可以按下面几点判断。核心原则是：归一化问题用归一化解决，阈值问题用阈值或判定规则解决，不要用调阈值去掩盖特征尺度问题。

• 如果归一化前后波动明显减少，且训练与推理的 scaler 不一致、某些特征量纲差异大：优先统一归一化方式。训练时保存 scaler 参数，推理时加载；类别特征编码、缺失值填充、默认值也要一致。调整后回放原波动样本，确认标签翻转减少、分数排序稳定。
• 如果归一化后波动仍在，且分数集中在阈值附近，或阈值来源本身不合理：优先调整阈值或判定规则。可以基于业务误判成本选择阈值，也可以在阈值附近设置缓冲带，例如分数进入某区间时转人工复核或二次判断。调整后同样回放原样本，观察翻转样本是否落到缓冲带，而不是直接改变标签。
• 如果两种问题同时存在：先修归一化，再选阈值。因为归一化会改变分数分布，先调阈值可能只是在旧分布上临时对齐，归一化后阈值还要重选。

验证调整效果的步骤建议固定为：同一批相似输入样本 → 记录调整前标签和分数 → 应用归一化或阈值调整 → 再次调用 Clef → 对比标签翻转数、分数排序、与阈值距离 → 在隔离环境或影子流量中观察是否仍出现同类翻转。不要用单次调用结果判断调整是否有效。