$\beta_0$不是事件的几率$x_1 = x_2 = 0$，这是赔率的日志。此外，只有当$x_1 = x_2 = 0$，而不是当它们处于最低的非零值时。

也可能有这样的情况$x_1$和$x_2$不能等于$0$同时。在这种情况下$\beta_0$没有明确的解释。

除此以外$\beta_0$有一种解释——如果没有一个变量不能做到这一点，它会将赔率的对数转换为其实际值。

建议换个角度看。。。

在逻辑回归中，我们通过计算似然概率来预测一些二元类 {0 或 1}，这是实际输出$\text{logit}(p)$.

当然，这是假设对数赔率可以合理地用线性函数来描述——例如，$\beta_0 + \beta_1x_1 + \beta_2x_2+ \dotsm$

......这是一个很大的假设，只有在某些时候才成立。如果那些$x_i$组件对对数赔率没有独立的比例影响，那么最好选择另一个统计框架。即，对数赔率由一些固定分量组成$\beta_0$, 并随着每个连续项递增，$\beta_i x_i$.

简而言之，$\beta_0$value 是该组件方法的“固定组件”，用于描述您尝试预测的任何事件/条件的对数几率。还要记住，回归最终描述的是一些条件平均值，给定一组$x_i$价值观。这些都不需要$x_i$-值在您的数据中为 0，甚至在现实中可能。这$\beta_0$简单地向上或向下移动该线性表达式，以使变量分量最准确。

也许我以稍微不同的心态说了同样的话，但我希望这会有所帮助......