在严格限定结果变量为[0,1]的情况下，可以使用逻辑回归作为线性回归的替代方法。逻辑回归是一种广义线性模型，用于建立结果变量为二元分类的模型。

下面是一个使用Python的示例代码，演示了如何使用线性回归和逻辑回归在严格限定结果变量为[0,1]的情况下进行比较：

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression, LogisticRegression
from sklearn.metrics import mean_squared_error, accuracy_score

# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1)  # 输入特征
y = np.random.randint(0, 2, size=(100,))  # 结果变量

# 线性回归
linear_model = LinearRegression()
linear_model.fit(X, y)
linear_predictions = linear_model.predict(X)
linear_predictions = np.clip(linear_predictions, 0, 1)  # 将预测结果限定在[0,1]范围内
linear_mse = mean_squared_error(y, linear_predictions)
print("线性回归的均方误差：", linear_mse)

# 逻辑回归
logistic_model = LogisticRegression()
logistic_model.fit(X, y)
logistic_predictions = logistic_model.predict(X)
logistic_accuracy = accuracy_score(y, logistic_predictions)
print("逻辑回归的准确率：", logistic_accuracy)

在上述代码中，我们首先使用numpy生成了100个随机的输入特征X和结果变量y。然后使用sklearn库中的LinearRegression类和LogisticRegression类分别进行线性回归和逻辑回归的拟合。

在线性回归中，我们使用clip函数将预测结果限定在[0,1]范围内。在逻辑回归中，我们直接使用分类准确率作为评估指标。

最后，我们输出了线性回归的均方误差和逻辑回归的准确率。

需要注意的是，逻辑回归是一种分类算法，与线性回归不完全相同。逻辑回归的输出是概率值，表示为0或1的概率。如果要进行二元分类预测，可以根据阈值对概率进行划分。