Python 如何将范围添加到sklearn'；s线性回归预测

我想知道在拟合模型之前，是否有办法为预测增加一个范围

我的列车数据中的变量在技术上是一个百分比分数，但当我预测我的测试集时，我得到负值或值>100

目前，我正在手动规范化预测列表。我也曾切断负片和>100，然后分配0和100

然而，只有当fit函数能够意识到这个约束时，它才有意义，对吗

以下是数据的示例行：

test_df = pd.DataFrame([[0, 40, 28, 30, 40, 22, 60, 40, 21, 0, 85, 29, 180, 85, 36, 741, 25.0]], columns=['theta_1', 'phi_1', 'value_1', 'theta_2', 'phi_2', 'value_2', 'theta_3', 'phi_3', 'value_3', 'theta_4', 'phi_4', 'value_4', 'theta_5', 'phi_5', 'value_5', 'sum_readings', 'estimated_volume'])

我一直在阅读，很多人认为这不是一个线性回归问题，但他们的逻辑不健全。此外，有人说可以应用对数标度，但这仅适用于与阈值进行比较的情况，即手动分类，即使用线性回归解决逻辑回归问题！在我的例子中，我需要百分比，因为它们是必需的输出

---

非常感谢您的反馈/想法。

有些算法不会提出超出范围的预测值，如sklearn.neighborsressegator或sklearn.employee.randomforestressegator

线性回归器可以给出超出目标范围的值，例如：

from sklearn.ensemble import RandomForestRegressor
import numpy as np
from sklearn.linear_model import LinearRegression

y = np.linspace(0,1,100)
X = 2* y
X = X.reshape(-1,1)

>>>> rf.predict(np.array([[4.]])), lr.predict(np.array([[4.]]))
# (array([0.9979798]), array([2.]))

但是您可以使用一个技巧：您可以将[0，1]空间映射到[-inf，inf]空间，并在预测后返回初始空间

下面是使用sigmoid的示例：

def sigmoid(x):
    return 1/(1+np.exp(-x))

def sigmoid_m1(x):
    return -np.log((1/x)-1)

rf = RandomForestRegressor()
lr = LinearRegression()
rf.fit(X,sigmoid_m1(y*0.9+0.05))
lr.fit(X,sigmoid_m1(y*0.9+0.05))
>>>> sigmoid(rf.predict(np.array([[4.]]))), sigmoid(lr.predict(np.array([[4.]])))
# (array([0.9457559]), array([0.99904361]))

---

使用这种解决方案时要小心，因为你完全改变了数据的分布，这会产生很多问题。

请提供你的列车数据样本。这是我的df的第一个元素：0 0 40 28 30 40 22 60 40 21 90…70 37 0 85 29 180 85 36 741 25.0第一个0是索引，第二个是数据。请阅读并编辑问题，添加一个可复制的小例子。谢谢，马库斯。会给它一个阅读，并在这方面肯定会有所改进。谢谢你，吉萨特。测试其他模型已经在待办事项中了，但是感谢您确保我走上了正确的道路。关于输出映射，您提到的原因正是我不愿意向上映射输出的原因，因此我决定简单地对其进行规范化。但是，我相信它们对分布的影响是相同的。