使用sklearn LinearRegression时如何约束预测值在0到100范围内

适配连续比例数据的建模方案 #

普通线性回归本身没有输出范围约束，天然会出现预测结果超出0-100区间的问题，针对你的连续型百分比因变量场景，可以选择以下方案：

• Beta回归：这是专门为取值在(0,1)区间的连续因变量设计的回归模型，输出结果自然落在目标区间内，不会出现超界问题。你之前看到的逻辑回归针对的是离散分类变量，而Beta回归刚好适配连续比例的场景。sklearn没有内置Beta回归，你可以用statsmodels库的sm.GLM搭配family=sm.families.Beta()实现。
• 因变量变换方案：如果不想更换模型架构，可以先对因变量做对数几率变换：y_transformed = np.log(y / (100 - y))，用变换后的y值训练普通线性回归，预测完成后再用sigmoid函数做逆变换映射回0-100区间：y_pred = 100 * 1/(1 + np.exp(-y_pred_transformed))。注意这个方案要求原始y值不能刚好等于0或100，如果存在极值可以先做微小缩尾处理，比如将0替换为0.1、100替换为99.9。

截断处理的合理性与统计量变化 #

你提到的直接将低于0的预测值设为0、高于100的设为100属于截断校正操作，相关问题说明如下：

• 该操作不会丢弃任何样本点，仅修改预测值的输出范围，R²统计量会发生变化。R平方的计算基于残差平方和，截断后偏离真实值过远的预测值被拉回合理区间，残差平方和会降低，通常R平方会有所上升。只有当你手动删除超出范围的样本时，统计量才会基于剩余样本重新计算，和原模型结果没有可比性。
• 截断校正仅在超界预测值占比极低（通常低于5%）的场景下是合理的，如果大量预测值都超出区间，说明普通线性回归的假设和你的数据分布不匹配，优先选择前文中的Beta回归或因变量变换方案。

代码修改参考 #

如果选择最简单的截断校正方案，你的代码可以修改为：

from sklearn.linear_model import LinearRegression
import numpy as np
from yellowbrick.regressor import ResidualsPlot

model = LinearRegression(fit_intercept=True)

x = df.loc[:,np.concatenate((["independent var 1","independent var 2"],categorical_variable))]
y = df.dependent_%_var

# 拟合模型
model.fit(x, y)
# 预测后截断到0-100区间
y_pred = model.predict(x)
y_pred_clipped = np.clip(y_pred, 0, 100)

# 残差图适配截断后的预测值
visualizer = ResidualsPlot(model)
visualizer.fit(x, y)
visualizer.fitted_values_ = y_pred_clipped
visualizer.draw()
visualizer.show()

内容的提问来源于stack exchange，提问作者Hoppity81