Python statsmodels中的普通最小二乘法：我们的模型需要一个截距

我开始学习线性回归，一开始就被难倒了。我认为我的问题不在概念上，而在实施上。我不明白为什么，根据，在尝试拟合回归线时，我需要包含一个截距为1的额外列

#Artificial data:
nsample = 100
x = np.linspace(0, 10, 100)
X = np.column_stack((x, x**2))
beta = np.array([1, 0.1, 10])
e = np.random.normal(size=nsample)

#Our model needs an intercept so we add a column of 1s:
X = sm.add_constant(X)
y = np.dot(X, beta) + e

#Fit and summary:
model = sm.OLS(y, X)
results = model.fit()
print(results.summary())

---

截距不是由数据决定的吗？为什么我需要指定它是什么？或者这更像是一个参数，其中无截距或截距=0意味着回归线被强制通过原点，否则将进行计算？为什么我要指定0或1以外的截距，比如100000？

一列1就是通过设计矩阵获取截距参数的方法。非公式界面采用用户定义的设计矩阵，不会对其进行更改。所以，如果你想要一个截取，那么我们需要自己作为用户添加它。或者，你可以使用公式界面来添加一个默认的截距。考虑使用线性回归来拟合一个二次方程，该方程被写成“y=（a*x^ 0）+（b*x^ 1）+（c*x^ 2）”。由于x^0=1，您需要拟合一列1来查找参数“a”。