Scikit 的 LogisticRegression 规范了截距项。
是否可以单独处理这些系数（就正则化而言）。
我可以看到两种情况可能有用：
（LR 会从第二个开始吗？）
为什么。如果正则化的目的是减少预测对任何一个因素的依赖，我们还应该鼓励（并强制）对“没有任何因素解释”产生更强的默认偏差。因为截距不是（可变）输入因子，所以我更愿意在截距上允许比其他因子更大的幅度权重。
虽然这可能会使我们损失训练损失，但由于训练集的方差，我们可能会看到系数的方差较低。
使用 liblinear 以外的求解器。liblinear 求解器（以前是 LogisticRegression 的默认值）对截距进行正则化，但其他求解器没有（参见https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression）。如果您必须使用 liblinear，请参阅 intercept_scaling 参数，可能包含该参数以缓解此问题。
有一个快速而肮脏的修复方法可以减少拦截的正则化。
为此，我们可以在拦截列中附加一个巨大的数字说, 而不是用 all 展开数据框柱子。
例如，对于mtcars数据，如果我们想对权重进行逻辑回归，我们可以
> head(cbind(1e9,mtcars$wt))
[,1] [,2]
[1,] 1e+09 2.620
[2,] 1e+09 2.875
[3,] 1e+09 2.320
[4,] 1e+09 3.215
[5,] 1e+09 3.440
[6,] 1e+09 3.460
代替
> head(model.matrix(am~wt,mtcars))
(Intercept) wt
Mazda RX4 1 2.620
Mazda RX4 Wag 1 2.875
Datsun 710 1 2.320
Hornet 4 Drive 1 3.215
Hornet Sportabout 1 3.440
Valiant 1 3.460