могу и ошибаться. Сужу по датасету

в конце концов все упирается в датасет и в метод оптимизации. Еще надо написать программу.

метод оптимизации - это имею в  виду  математическое программирование

Предположим, у меня есть целевая переменная типа int от 1 до 25. Я делаю пуассоновскую регрессию простейшую и получаю MAE  3. Пуассоновская модель, ясное дело, выдаёт в качестве ответа тип int. Но я хочу усложнить модель и делаю лес, он выдаёт мне, соответственно, double. Его можно округлить, конечно, и привести к int, но, может, кто-нибудь видел частные случаи моделей, которые предназначены для целочисленной переменной? Гуглю, но, похоже, всё сводится к пуассону или извращённым преобразованиям и последующим бета-биномиальным моделям.

Регрессионную модель с дискретным выходом?

Только классификация

Да, это я и сделал уже, но мало ли, мне неизвестны какие-нибудь глубины.

Есть связь, что 2 между 1 и 3?

Если есть, то я бы делал один выход регрессионный, если нет, то я бы делал классификацию.

Да. Это числа, просто из множества натуральных чисел.

Вот, а классификацию не сделать, потому что слишком много классов будет, а данных слишком мало. Я всё это уже прочекал.

Я бы так решал. Просто трабл в том, что все методы оптимизации, которые не tree-like или не k nearest neighbor, вроде, базируются на производной.

knn там очевидно не работает?

Делал pce?

Так фишка Пуассоновской регрессии же как раз в том, что она предсказывает условное матожидание Пуассоновского распределения (лямбду), которое не обязано являться целочисленным, но зная которое можно вычислить вероятность того, что целевая переменная примет любое из целочисленных значений.

Соответственно, к любому градиентному методу ML, будь то деревья, нейросети, или какая-нибудь дичь, можно просто прикрутить Пуассоновскую голову.

То есть взять формулу линейной пуассоновской регрессии из Википедии, и вместо линейной формулы theta * X вставить вашу любимую нелинейную модель.
Например, в xgboost можно в качестве лосса указать count:poisson, или Poisson в катбусте, и будет пуассоновский градиентный бустинг.
Или если у тебя нейросетка на торче, можно в качестве лосса указать PoissonNLLLoss, и будет пуассоновская нейронка.

Хм.

Хм. Звучит круто, спасибо за идею!

А вы проходили какой-нибудь курс там?