如何避免回归模型中的浮点值
How to avoid float values in regression models
我正在尝试使用线性、SGDRegressor、ridge、lasso 等回归模型来预测葡萄酒质量（范围从 1 到 10）。
数据集：http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv
独立values:volatile酸度、残糖、游离二氧化硫、总二氧化硫、酒精度
Dependent:Quality
线性模型
regr = linear_model.LinearRegression(n_jobs=3)
regr.fit(x_train, y_train)
predicted = regr.predict(x_test)
线性回归的预测值
阵列（[5.33560542，5.47347404，6.09337194，...，5.67566813，
5.43609198, 6.08189 ])
预测值是浮点数而不是 (1,2,3...10)
我尝试使用 numpy
舍入预测值
predicted = np.round(regr.predict(x_test))` but my accuracy gone down with this attempt.
SGD回归模型。
from sklearn import linear_model
np.random.seed(0)
clf = linear_model.SGDRegressor()
clf.fit(x_train, y_train)
redicted = np.floor(clf.predict(x_test))
SGDRegressor 的预测输出值：
array([ -2.77685458e+12, 3.26826414e+12, 4.18655713e+11, ...,
4.72375220e+12, -7.08866307e+11, 3.95571514e+12])
这里我无法将输出值转换成整数。
谁能告诉我使用这些回归模型预测葡萄酒质量的最佳方法。
您正在进行回归，因此输出本质上是连续的。
您应该注意的是，您关于预测葡萄酒质量的小项目不是分类问题。响应变量 y，即葡萄酒质量，具有内在顺序，这意味着 6 分严格优于 5 分。它不是分类变量，不同的数字只代表不同的组，组之间没有可比性。
我正在尝试使用线性、SGDRegressor、ridge、lasso 等回归模型来预测葡萄酒质量（范围从 1 到 10）。
数据集：http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv
独立values:volatile酸度、残糖、游离二氧化硫、总二氧化硫、酒精度 Dependent:Quality
线性模型
regr = linear_model.LinearRegression(n_jobs=3)
regr.fit(x_train, y_train)
predicted = regr.predict(x_test)
线性回归的预测值 阵列（[5.33560542，5.47347404，6.09337194，...，5.67566813， 5.43609198, 6.08189 ])
预测值是浮点数而不是 (1,2,3...10) 我尝试使用 numpy
舍入预测值predicted = np.round(regr.predict(x_test))` but my accuracy gone down with this attempt.
SGD回归模型。
from sklearn import linear_model
np.random.seed(0)
clf = linear_model.SGDRegressor()
clf.fit(x_train, y_train)
redicted = np.floor(clf.predict(x_test))
SGDRegressor 的预测输出值：
array([ -2.77685458e+12, 3.26826414e+12, 4.18655713e+11, ...,
4.72375220e+12, -7.08866307e+11, 3.95571514e+12])
这里我无法将输出值转换成整数。
谁能告诉我使用这些回归模型预测葡萄酒质量的最佳方法。
您正在进行回归，因此输出本质上是连续的。
您应该注意的是，您关于预测葡萄酒质量的小项目不是分类问题。响应变量 y，即葡萄酒质量，具有内在顺序，这意味着 6 分严格优于 5 分。它不是分类变量，不同的数字只代表不同的组，组之间没有可比性。