Python 我可以像分类那样进行线性回归预测吗？

我训练了一个线性回归模型（使用sklearn和python3）， 我的火车组有94个功能，它们的等级是0或1。。 然后我在测试集上检查了我的线性回归模型，它给了我这些结果：

1.

[0.04988957]

其实际值在测试集上为0

2.

[0.00740425]

其实际值在测试集上为0

3.

[0.01907946]

其实际值在测试集上为0

4.

[0.07518938]

其实际值在测试集上为0

5.

[0.15202335]

其实际值在测试集上为0

6.

[0.04531345]

其实际值在测试集上为0

7.

[0.13394644]

其实际值在测试集上为0

8.

[0.16460608]

其实际值在测试集上为1

9.

[0.14846777]

其实际值在测试集上为0

10.

[0.04979875]

其实际值在测试集上为0

---

正如您可以看到的，在第8行，它给出了最高的值，但问题是我想使用我的_model.predict（testData），它只给出0或1作为结果，我怎么可能做到呢？模型有我可以使用的阈值或自动切断吗

线性回归类上没有分类器。然而，有一个（也是一个线性模型）可以创建您想要的预测

文档中的示例代码

>>> import numpy as np
>>> from sklearn import linear_model
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> Y = np.array([1, 1, 2, 2])
>>> clf = linear_model.SGDClassifier()
>>> clf.fit(X, Y)
... 
SGDClassifier(alpha=0.0001, average=False, class_weight=None, epsilon=0.1,
        eta0=0.0, fit_intercept=True, l1_ratio=0.15,
        learning_rate='optimal', loss='hinge', n_iter=5, n_jobs=1,
        penalty='l2', power_t=0.5, random_state=None, shuffle=True,
        verbose=0, warm_start=False)
>>> print(clf.predict([[-0.8, -1]]))

---

逻辑回归（参见或实施）是正确的工具；在大多数情况下，它的性能优于OLS，其预测自然位于区间（0，1）。

有一个线性分类器

sklearn.linear\u model.ridgeClassifier（alpha=0.）

，可用于此。将脊线惩罚设置为0。使其精确执行您想要的线性回归，并设置在类之间划分的阈值。

您使用的是哪个sklearn模型？从sklearn导入数据集，linear_model regr=linear_model.LinearRegression（）