没有预测变量的 Sklearn 回归
Sklearn Regression Without Predictors
是否可以 运行 在 sklearn 中使用和不使用（即仅截距）预测变量进行回归（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。
我发现的唯一相关的东西是 sklearn.svm.l1_min_c 但这个 returns 是一个非空模型。
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（因为它与逻辑回归相关）：https://stats.stackexchange.com/questions/82940/is-the-null-model-for-binary-logistic-regression-just-the-natural-log-function
我不确定明白你的意思，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：
“most_frequent”、“均匀”、“恒定”、“平均值”、“中位数”、...
否则，请重新表述您的问题以指明更具体的用例。
我遇到了同样的问题，并通过向（空）X 添加常量特征解决了这个问题，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 interception_ 和 coef_ 是数组（[0.]）。
是否可以 运行 在 sklearn 中使用和不使用（即仅截距）预测变量进行回归（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。
我发现的唯一相关的东西是 sklearn.svm.l1_min_c 但这个 returns 是一个非空模型。
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（因为它与逻辑回归相关）：https://stats.stackexchange.com/questions/82940/is-the-null-model-for-binary-logistic-regression-just-the-natural-log-function
我不确定明白你的意思，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：
“most_frequent”、“均匀”、“恒定”、“平均值”、“中位数”、...
否则，请重新表述您的问题以指明更具体的用例。
我遇到了同样的问题，并通过向（空）X 添加常量特征解决了这个问题，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 interception_ 和 coef_ 是数组（[0.]）。