在我的计算机科学硕士课程中，教授要求我们提出最好的模型来预测这个特定的数据集。在其中，我们需要测量鲍鱼的重量和大小，并需要预测其壳中的环数（整数）。这是数据外观的示例：
最初使用该数据库的原始论文（Sam Waugh (1995) “Extending and benchmarking Cascade-Correlation”）使用了一种分类方法，其中每个不同数量的环被视为不同的类。
我发现这种方法存在一些问题：
首先，论文作者使用的评价指标是分类准确率，没有考虑预测值与其响应的接近程度。例如，当正确值为 4 时预测值为 3 的模型被视为与预测值为 22 且正确值为 4 的模型相同（两者都分类错误）。
其次，数据集高度不平衡，很少有鲍鱼具有大量环。
根据我的最佳解释，如果我们使用回归模型（例如，以均方根误差作为评估指标）而不是分类，这两个问题都会消失。但是，通常的回归模型会为您的响应提供真实值。对于我的非统计学家来说，这似乎不是问题，因为您总是可以将您的值四舍五入到最接近的整数。
我的问题是：
多元回归确实是尝试对这些数据建模的最佳方法吗？
是否有考虑响应与分类结果的接近程度的分类评估指标？如果是，它可以用于这个问题吗？
将回归结果四舍五入到最接近的整数有什么问题吗？
任何其他有助于我最好地解决问题的意见、建议或想法也非常有帮助。
另外，如果在我对问题的解释中做出任何不正确的假设或错误，我们深表歉意。随时纠正我。