I recommend constructing a frequency distribution of the number of true and false positive and negative solutions (by van Riesbergen's F-measure) depending on the similarity level. And you will see that negative decisions are usually true. In any case, there are usually more true negative decisions than false ones. And with positive decisions, there are three zones. First: at very low levels of similarity, there are more false decisions than true ones. Second, there are both false and true solutions, and the proportion of true solutions increases as the level of similarity increases. Third: there are only true solutions. I think the cutoff parameter is the level of similarity at which the relative share of true solutions becomes noticeably greater than the share of false solutions. For different models, this clipping parameter will be obtained differently. All this should be studied when identifying objects (observations) of the training sample. If it is representative, then this can be used in practice in the General population, which is correctly represented by the training sample during the period of ergodicity (as long as the patterns in the subject area do not change)

Я рекомендую построить частотное распределение числа истинных и ложных положительных и отрицательных решений (по F-мере Ван Ризбергена) в зависимости от уровня сходства. И Вы увидите, что отрицательные решения обычно истинные. Во всяком случае обычно истинных отрицательных решений гораздо больше, чем ложных. А при положительных решениях есть три зоны. Первая: при очень низких уровнях сходства ложных решений больше, чем истинных. Вторая: есть и ложные, и истинные решения, причем доля истинных решений возрастает при увеличении уровня сходства. Третья: есть только истинные решения. Я думаю параметр отсечения - это уровень сходства, при котором относительная доля истинных решений становится заметно больше доли ложных решений. При разных моделях этот параметр отсечения будет получаться различным. Все это надо изучить при идентификации объектов (наблюдений) обучающей выборки. Если она репрезентативная, то этим можно пользоваться на практике в генеральной совокупности, которую корректно представляет обучающая выборка во время периода эргодичности (пока не меняются закономерности в предметной области)

As with all machine learning predictors, you can choose any threshold depending on your goals. If you want to maximize recall then stick to 0.5 but if you are interested in higher precision, choose a higher threshold. If you are interested in prioritizing the most likely candidates for disease-causing variants, you can simply use the predictions as a ranking. Keep in mind the results are only predictions, you may find these guidelines helpful:Article Guidelines for investigating causality of sequence variants ...