使用`sklearn`模型时需要附加偏见词吗？

Question

在我的机器学习课程中，我们学会了在使用许多机器学习模型来解释偏差时，为每个样本的特征向量附加1。例如，如果我们进行线性回归并且样本具有特征f_1，f_2，...，f_d，我们需要添加“假”特征值1以允许回归函数不必通过原点

使用sklearn模型时，您是否需要自己执行此操作，或者他们的实现是否为您执行此操作？具体来说，我对使用任何回归模型或SVM模型时是否有必要感兴趣。

Answer 1

不，你不添加任何偏见，模型以自己的方式定义偏差。你在课程中学到的东西是通用的，虽然不是完美的 - 解决方案。这对于SVM这样的模型很重要，它不应该附加“1”，因为这种偏差会得到规范化，这对于SVM来说是完全错误的。因此，虽然这是一个很好的理论技巧，可以证明你实际上可以创建完全忽略偏见的方法，但在实践中 - 它通常以特定的方式处理，而scikit-learn会为你做。