Python 逻辑回归和连续回归与scikit学习相结合

在我的数据集

X

中，我有两个连续变量

a、b

和两个布尔变量

c、d

，总共4列。 我有一个多维目标

y

，由两个连续变量

a、B

和一个布尔变量

C

组成

我想在

X

列上训练一个模型，以预测

y

列。然而，在

X

上尝试了

LinearRegression

之后，它的性能并没有那么好（我的变量变化了几个数量级，我必须应用合适的变换来获得对数，我在这里不太详细）。 我想我需要在布尔列上使用

LogisticRegression

我真正想做的是将连续变量的

LinearRegression

和布尔变量的

LogisticRegression

组合到一个管道中。请注意，

y

的所有列都依赖于

X

的所有列，因此我不能简单地单独训练连续变量和布尔变量

---

这可能吗？如果可能，我该怎么做？

我使用了一种称为“模型树”（见下面的链接）的方法来解决同样的问题

但它需要为您的应用程序定制。如果您在使用中遇到困难，请提出更多问题

这是它的屏幕截图

---

如果您的目标数据

Y

有多个列，则需要使用多任务学习方法。Scikit learn包含一些用于回归的多任务学习算法，如

多任务弹性网络

，但不能将逻辑回归与线性回归结合起来，因为这些算法使用不同的损失函数进行优化。另外，你可以尝试用神经网络来解决你的问题。

据我所知，你想做的是训练一个既能预测连续变量又能预测类的单一模型。你需要将两个损失合并成一个损失，才能做到我认为在scikit learn中不可能做到的事情。但是，我建议您使用一个深度学习框架（tensorflow、pytorch等）来实现您自己的模型，该模型具有所需的属性，这将更加灵活。此外，您还可以使用神经网络修补解决上述问题，这将改善您的结果