是否可以在 sklearn 中使用和不使用（即仅使用截距）预测器运行回归（例如逻辑回归）？这似乎是一个相当标准的类型分析，也许这些信息已经在输出中可用。
我发现唯一相关的是sklearn.svm.l1_min_c，但这会返回一个非空模型。
我正在寻找类似的东西，只有截距的回归 (Y = a + ε) 与标准回归 (Y = a + bX + ε)：http://www.philender.com/courses/linearmodels/notes1/nopredict.html
或者特别是这个（因为它与逻辑回归有关）：https://stats.stackexchange.com/questions/82940/is-the-null-model-for-binary-logistic-regression-just-the-natural-log-function
【问题讨论】：
标签： python scikit-learn regression logistic-regression
我不确定你的意思，但你可能对sklearn.dummy.DummyClassifier 和sklearn.dummy.DummyRegressor 感兴趣，它们使用简单的规则进行预测，例如：
“最频繁”、“均匀”、“常数”、“平均”、“中位数”、...
否则，请重新表述您的问题以指明更具体的用例。
【讨论】：
DummyClassifier，认为这不是我需要的，但也许我需要constant 方法，其中常数只是Y 的平均值。
LogisticRegression，尽管它的名字，是一个分类器，而不是一个回归器。对于简单的回归，请查看 LinearRegression 和 DummyRegression 和 strategy=“mean”
DummyClassifier 是要走的路。
我遇到了同样的问题，并通过向（空）X 添加一个常量特征来解决它，所以现在 X 与 np.ones((X.shape[0],1)) 相同。生成的模型具有预期的平均值，因为拦截_和 coef_ 是数组（[0.]）。
【讨论】：