如何将sklearn模型predict输出转为0/1？是否支持原地转换？

嘿，先插一句：你现在用LinearRegression（线性回归）来处理0/1的贷款审批分类任务，其实有点"用错工具"啦——线性回归是针对连续值预测的回归模型，输出范围不受限制（比如你得到的-0.22这种负数，完全不符合分类标签的意义）。更适合的是sklearn.linear_model.LogisticRegression，它专门处理二分类任务，能直接输出0/1的结果，不过先解决你当前问的原地转换问题：

方法1：用numpy的round函数原地修改 #

numpy的np.round()支持通过out参数直接在原数组上完成四舍五入操作，不用新建数组：

# 先获取预测结果
preds = clf_LR.predict(X_predict)
# 原地四舍五入到最近的整数（0或1）
np.round(preds, out=preds)

这样执行后，preds就会被直接修改成0或1的数组，比如0.5及以上会变成1，低于0.5变成0。

方法2：布尔索引自定义阈值原地赋值 #

如果你不想用0.5作为分界（比如业务上有其他需求），可以用布尔索引直接原地修改数组：

preds = clf_LR.predict(X_predict)
# 自定义阈值，比如0.6，大于等于转1，否则转0
preds[preds >= 0.6] = 1
preds[preds < 0.6] = 0

这种方式更灵活，你可以根据实际需求调整阈值，而且完全是原地修改，不会额外占用内存。

强烈建议：换成分类模型才是正道 #

刚才提到的，用线性回归做分类是不合理的，不仅输出会出现无意义的数值，模型的预测逻辑也不适合分类任务。换成逻辑回归的话，直接就能得到0/1的结果，不用额外转换：

from sklearn.linear_model import LogisticRegression

# 初始化逻辑回归分类器
clf_LR = LogisticRegression()
clf_LR.fit(X, y)
# 直接得到0或1的分类预测结果
preds = clf_LR.predict(X_predict)

逻辑回归会基于概率输出分类结果，性能和合理性都比用线性回归强很多，更适合你的贷款审批分类场景。

内容的提问来源于stack exchange，提问作者Prayas.code