这几乎总是必要的。我说几乎总是因为它改变了其他系数的解释。当您对分类预测变量的结果进行回归时，省略 1 列可能很好，但我们通常包括连续预测变量。

当我们有一个连续的预测变量时，让我们比较有和没有截距的逻辑回归。假设数据以均值为中心。没有 1s 的列，模型看起来像

$$\operatorname{logit}\left( \dfrac{p(x)}{1-p(x)} \right) = \beta x$$

什么时候$x=0$（即当协变量等于样本均值时），那么结果的对数几率为 0，对应于$p(x) = 0.5$. 所以这说明了当$x$是样本均值，那么成功的概率是 50%（这似乎有点限制）。

如果我们确实有截距，那么模型就是

$$\operatorname{logit}\left( \dfrac{p(x)}{1-p(x)} \right) = \beta_0 + \beta x$$

现在，当$x=0$对数赔率等于$\beta_0$我们可以根据数据自由估计。

简而言之，除非您有充分的理由这样做，否则请包括 1 列。

看来您可能不必手动包含一个常数，以便在模型中存在截距。通过查看下面类中的默认参数，有一个布尔参数默认为 True 用于拦截。

class sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

对该参数给出的解释如下：

fit_interceptbool, default=True:指定是否应将常数（也称为偏差或截距）添加到决策函数中。

来源：sklearn.linear_model.LogisticRegression