如何告诉SciKit LinearRegression模型预测值不能小于零？

Question

我有以下代码，尝试对基于非价格的功能进行库存评估。

price = df.loc[:,'regularMarketPrice']
features = df.loc[:,feature_list]

# 
X_train, X_test, y_train, y_test = train_test_split(features, price, test_size = 0.15, random_state = 1)

if len(X_train.shape) < 2:
    X_train = np.array(X_train).reshape(-1,1)
    X_test = np.array(X_test).reshape(-1,1)

# 
model = LinearRegression()
model.fit(X_train,y_train)

# 
print('Train Score:', model.score(X_train,y_train))
print('Test Score:', model.score(X_test,y_test))


# 
y_predicted = model.predict(X_test)

在我的df中（非常大），从来没有'regularMarketPrice'小于0的情况。但是，对于y_predicted中的某些点，我偶尔会收到小于0的值。

Scikit中是否有一种方法可以说小于0的内容是无效的预测？我希望这会使我的模型更准确。

[如果需要进一步说明，请发表评论。

Answer 1

考虑使用非高斯响应变量的方法。用直方图绘制y值。如果数据偏斜，请考虑使用glm，gamma分布和log链接进行建模。

或者，您可以将y_predicted设置为model.score值和0的最大值。