[임계값이 낮으면]
→ 민감한 검사: 작은 이상도 잡아냄
→ 미검출 감소 (좋음)
→ 과검출 증가 (나쁨) → 양품 폐기 비용 증가

[임계값이 높으면]
→ 관대한 검사: 확실한 불량만 잡음
→ 과검출 감소 (좋음)
→ 미검출 증가 (나쁨) → 클레임/리콜 위험!

[방법 1: 통계 기반]
임계값 = 정상 점수의 평균 + k × 표준편차

이상 점수의 임계값은 위쪽 한 방향만 자른다(점수가 낮은 쪽은 더 정상이다).
그러므로 **단측 확률**을 써야 한다. 흔히 외우는 95%·99.7% 는 ±k 양측 값이라 여기에 맞지 않는다.

k=2: 정상의 약 97.7% 통과 (양측 95% 가 아니다)
k=3: 정상의 약 99.87% 통과 (양측 99.7% 가 아니다)
k=4: 정상의 약 99.997% 통과

k=2 를 "95%"로 알고 라인에 걸면 실제 과검이 예상의 절반쯤으로 나와 계획이 어긋난다.

장점: 간단하고 정상 이미지만 있으면 된다
단점: 정상 점수 분포가 가우시안이 아니면 어긋난다. 히스토그램을 먼저 그려 확인하고,
      한쪽으로 치우쳐 있으면 분위수(예: 정상의 99 퍼센타일)를 쓰는 편이 낫다

[방법 2: F1 최적화]
검증 데이터(정상+불량)에서 F1이 최대인 임계값 선택

for threshold in np.arange(min_score, max_score, step):
    predictions = scores > threshold
    f1 = f1_score(labels, predictions)
    → f1이 최대인 threshold 선택

장점: 성능 최적
단점: 불량 데이터가 필요 (소량이라도)

[방법 3: 비용 기반 (제조 추천!)]
비용 최소화 기준으로 임계값 결정

미검출 비용(C_fn): 불량 1개 유출 = 클레임 처리비
과검출 비용(C_fp): 양품 1개 폐기 = 재료비 + 가공비

총 비용 = FN × C_fn + FP × C_fp
→ 총 비용이 최소인 임계값 선택

예시(숫자는 예시일 뿐이다. 우리 단가로 바꿔 넣어야 한다):
  미검출 1건 = 클레임 처리 + 반품 물류 + 후공정 폐기
  과검출 1건 = 양품 폐기 또는 재검사 공수
  두 값을 채우면 비가 나오고, 그 비가 임계값을 어디로 옮길지 알려 준다.
  미검이 훨씬 비싸면 임계값을 낮춰 민감하게 간다.

  주의: 미검 비용에는 '잡히지 않은 것'이 포함되지 않는다.
  고객에게 가서 잡힌 건수만 세면 실제 미검율을 낮게 본다.
  후공정·출하 검사에서 나온 건수를 함께 세어야 한다.

[2단계 검사 전략]

Stage 1: 낮은 임계값 (자동 검사)
  → 확실한 양품만 통과
  → 의심 제품은 Stage 2로

Stage 2: 검사원이 육안 확인
  → 의심 제품만 사람이 판단
  → AI + 사람의 하이브리드

효과: 미검출 최소화 + 과검출 완화