在二分类问题中，通常使用 0.5 作为分类概率的阈值。因此，正确答案是 C: 0.5。

### 专业分析

在二分类问题中，模型通常会输出一个概率值，该值表示样本属于某一类的概率。为了将这个概率值转化为具体的类别标签，需要设定一个阈值：

- **阈值 0.5**：这是最常用的阈值，意味着如果模型预测的概率大于或等于 0.5，就将样本归为正类，否则归为负类。原因是 0.5 是概率的中间值，最直接地划分了正类和负类。

#### 其他阈值的意义

- **阈值 0**：将所有样本都归为正类，不具实际意义。
- **阈值 0.3**：可以用于特定场景下，例如需要提高正类的召回率时可能会使用较低的阈值。
- **阈值 1.0**：只有当模型预测的概率为 100% 时才将样本归为正类，这种情况通常不切实际。

### 使用场景

- **标准场景**：在标准的二分类任务中，使用 0.5 作为默认阈值是合理的。
- **非标准场景**：根据实际需求，可能需要调整阈值。例如，医疗诊断中可能更关注召回率，则可能选择低于 0.5 的阈值。

### 表格示例

| 阈值 | 说明 | 使用场景 |
|--------|-----------------------------|-----------------------------------|
| 0 | 不实际，所有样本归为正类 | 无特定使用 |
| 0.3 | 增强召回率，可能增加误报 | 高敏感性需求，如医疗检测 |
| **0.5**| **标准阈值，常用划分标准** | **常规二分类问题** |
| 1.0 | 减少误报，可能漏掉正类样本 | 高精度需求，几乎不实际应用 |

选择合适的阈值取决于具体应用场景的需求，因此应根据任务目标和错误代价平衡来调整。