我正在Kaggle中处理一个标签为正数的知识问题。我尝试在scikit中使用SGDRegressor来训练和测试模型。然而，学习模型中的一些预测是负面的。
因此，我想知道是否有一种方法可以限制像SGD这样的回归器（在scikit-learn中）的预测只有正值。我知道在得到预测后使用蛮力技术来限制值，但我不喜欢遵循这种方法，因为它不能代表真正的模型。
您可能希望适合z = np.log(y)而不是y:model = SGDRegressor(**params).fit(X_train, np.log(y_train))，然后是y_predicted = np.exp(model.predict(X_test))。
如果您希望能够在这样的模型上使用sklearn的cross_val_score和GridSearchCV工具，则可以将SGDRegressor子类化以重载fit和predict方法，从而在内部更改目标变量
我知道这是一个旧线程，但我只是在与原始帖子有相同经验的基础上搜索后找到的。我尝试了给出的答案，但我无法使用我的数据。在进一步研究之后，我能够在缩放X…中的列后，让SGDR除法器工作（即，给出非常适合我的数据的积极预测）
# add to imports
from sklearn.preprocessing import StandardScaler
# add to code before training SGDRegressor model
scaler = StandardScaler()
scaler.fit(X)
Xs = scaler.transform(X)
# I used train_test_split, so I changed first parameter from X to Xs
X_train, X_test, y_train, y_test = train_test_split(Xs, y, test_size=0.3, random_state=26)
# train model
sgd = linear_model.SGDRegressor()
sgd.fit(X_train, y_train)
# test model
y_predicted = sgd.predict(X_test)
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，尽管y（训练和测试）都是正面的。添加缩放后，y_predicted都是正数，非常接近y_test[假设我基于X为该数据创建了y，所以我期待着良好的性能]。张贴这个答案，以防对其他人有帮助。
有关文档，请访问此处。