Scikit learn 将scikit learn中SGDRegressor的预测限制为正值

我正在研究卡格尔的一个知识问题，它的标签是正数。我试着在scikit中使用SGDRegressor来学习训练和测试模型。然而，从所学模型得出的一些预测是否定的

---

因此，我想知道是否有一种方法可以限制像SGD（在scikit learn中）这样的回归器的预测只有正值。我知道在我得到预测后使用蛮力技术来限制值，但我不喜欢采用这种方法，因为它不能代表真实的模型。

你可能想适应

z=np.log（y）

而不是

y

：

model=SGDRegressor（**params）.fit（X_train，np.log（y_train））

然后

y\u predicted=np.exp（model.predicte（X\u测试））

---

如果您希望能够在这样一个模型上使用sklearn的

cross_val_score

和

GridSearchCV

工具，您可以将

SGDRegressor

子类化，以重载

fit

和

predict

方法，在内部执行此目标变量更改，但我只是在搜索后发现它的基础上有相同的经验，原来的职位。我尝试了给出的答案，但无法使用我的数据。在进一步研究这一点之后，我能够让SGDRegressor在缩放X中的列后工作（即给出与我的数据非常吻合的积极预测）

#添加到导入
从sklearn.preprocessing导入StandardScaler
#在培训SGDRegressor模型之前添加到代码中
scaler=StandardScaler（）
scaler.fit（X）
Xs=scaler.transform（X）
#我使用了train_test_split，所以我将第一个参数从X改为Xs
X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y，测试大小=0.3，随机状态=26）
#列车模型
sgd=线性_模型。SGDRegressor（）
sgd.fit（X_列车、y_列车）
#测试模型
y_预测=新加坡元预测（X_测试）

在添加用于缩放输入的部分之前，我得到了所有的负面预测，即使y（训练和测试）都是正面的。在添加缩放后，y_预测的都是正数，非常接近y_测试[当然，我根据X为这个数据创建了y，所以我期望有好的性能]。发布此答案以防对其他人有所帮助

---

有关文件，请访问

如果您在

y

中有零值，则可能

z=log（1+y）

和

y\u pred=exp（z\u pred）-1

。感谢您的快速响应。我理解您解决方案的第一部分，即y或1+y的日志转换。但是，请您详细说明或为我指出第二部分的一个示例，在该示例中，我们可以将SGDRegressor子类化，以重载fit和predict方法。我是ML和scikit新手，因此非常感谢您的帮助！我只是说，如果您不想将boiler plate代码包装起来，反复手动进行转换，您可以在一个类中对其进行分解，您可以通过实现一个遵循sklearn约定的类来实现这一点：这将使它能够与交叉验证工具一起使用。感谢您澄清这一点！我真的很感激。另外，很抱歉，我不能投票支持你的答案，因为我没有足够的代表。