对于我的回归问题，我正在使用scikit-learn的GridSearchCV来获取最佳的alpha值，并在估计器（Lasso，Ridge，ElasticNet）中使用此alpha值。
我在训练数据集中的目标值不包含任何负值。但是一些预测值是负的（大约5-10％）。
我正在使用以下代码。
我的训练数据包含一些Null值，我正在用该功能替换它们。
return Lasso(alpha=best_parameters['alpha']).fit(X,y).predict(X_test)
知道为什么我会得到一些负值吗？
X，y和X_test的形状为（20L，400L）（20L，）（10L，400L）
最佳答案
Lasso只是正则化线性回归，因此实际上，对于每个训练后的模型，预测值都会为负值。
考虑一个月球功能
f(x) = w'x + b
其中w和x是向量，而'是转置运算符
不管
w和b的值是多少，只要w不是零向量-总是存在x的f(x)<0值。而且，用于计算w和b的训练集不包含任何负值也没关系，因为线性模型将始终（可能是某些非常大的值）越过0值。关于machine-learning - 为什么我得到一些负值(预测变量)作为回归估计量(Lasso，Ridge，Elastic Net)的输出，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/20032230/