是否可以在sklearn中使用和不使用（即仅使用截距）预测变量运行回归（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。
我发现的唯一相关的东西是sklearn.svm.l1_min_c但这返回了一个非空模型。
我正在寻找与此类似的东西，仅截距（Y = a + ε）的回归与标准回归（Y = a + bX + ε）：http://www.philender.com/courses/linearmodels/notes1/nopredict.html
或者具体来说（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
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：
"most_frequent"、"统一"、"常数"、"平均值"、"中位数"、
...否则，请重新表述您的问题以指示更具体的用例。
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。生成的模型的预期均值为 interception_，coef_为 array（[ 0.]）。