基于球队比赛数据预测胜负：线性回归输出概率转分类方法咨询

我用某篮球队的比赛统计数据（得分、三分球等）预测比赛胜负（0负1胜），已完成数据预处理：

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 定义变量
y = data.Result.values
x_data = data.drop(["Result"],axis='columns')

# 归一化与数据集划分
x = (x_data - np.min(x_data))/(np.max(x_data) - np.min(x_data)).values
x_train, x_test, y_train, y_test = train_test_split(x,y, test_size = 0.2, random_state=42)

# 转置调整维度
x_train = x_train.T
x_test = x_test.T
y_train = y_train.T
y_test = y_test.T

使用线性回归预测时，输出的是连续值而非0/1的明确结果，如何处理？

方法一：改用逻辑回归（推荐） #

线性回归是为回归任务设计的，输出无概率约束，不适合二分类场景。逻辑回归专门针对二分类任务，输出是样本属于正类（1）的概率，可直接输出0/1类别：

from sklearn.linear_model import LogisticRegression

# 初始化逻辑回归模型
lr = LogisticRegression()
# 训练模型（注意将转置后的特征转回来适配sklearn接口）
lr.fit(x_train.T, y_train.T)
# 直接预测0/1类别
y_pred = lr.predict(x_test.T)
# 输出测试集准确率
print("逻辑回归测试准确率: {}".format(lr.score(x_test.T, y_test.T)))

方法二：对线性回归输出做阈值转换 #

如果坚持使用线性回归，可设定阈值（通常选0.5）将连续预测值转为0/1：

# 获取线性回归的连续预测值
mlr_pred = mlr.predict(x_test.T)
# 阈值转换：大于0.5转为1，否则为0
y_pred = (mlr_pred > 0.5).astype(int)
# 手动计算准确率
accuracy = (y_pred == y_test.T).mean()
print("线性回归转换后测试准确率: {}".format(accuracy))

注意：线性回归的输出没有概率意义，阈值选择缺乏理论依据，分类效果通常不如逻辑回归。

内容的提问来源于stack exchange，提问作者322quick1