Scikit learn statsmodels和sklearn的不同线性回归系数

我计划使用sklearn linear_模型绘制线性回归结果图，并使用statsmodels.api获得学习结果的详细摘要。然而，这两个包在相同的输入上产生非常不同的结果

例如，sklearn的常数项为7.8e-14，而statsmodels的常数项为48.6。（在使用这两种方法时，我在x中为常量项添加了一列1）这两种方法的代码都很简洁：

# Use statsmodels linear regression to get a result (summary) for the model.
def reg_statsmodels(y, x):
    results = sm.OLS(y, x).fit()
    return results

# Use sklearn linear regression to compute the coefficients for the prediction.
def reg_sklearn(y, x):
    lr = linear_model.LinearRegression()
    lr.fit(x, y)
    return lr.coef_

输入太复杂，无法在此处发布。是否可能是单个输入x导致了此问题

通过使用PCA绘制三维图，sklearn结果似乎不是一个很好的近似值。有什么解释？我仍然希望进行可视化，因此解决sklearn线性回归实现中的问题将非常有帮助。

你这么说吗

I added a column of 1's in x for constant term when using both methods

但是线性回归的结果表明

LinearRegression(fit_intercept=True, [...])

默认情况下，它适合截取。这可以解释为什么常数项中存在差异

对于其他系数，当两个变量高度相关时，可能会出现差异。让我们考虑最极端的情况，其中两个列是相同的。然后，可以通过增加另一个系数来补偿在这两个系数前面减小的系数。这是我要检查的第一件事。

你这么说吗

I added a column of 1's in x for constant term when using both methods

但是线性回归的结果表明

LinearRegression(fit_intercept=True, [...])

默认情况下，它适合截取。这可以解释为什么常数项中存在差异

对于其他系数，当两个变量高度相关时，可能会出现差异。让我们考虑最极端的情况，其中两个列是相同的。然后，可以通过增加另一个系数来补偿在这两个系数前面减小的系数。这是我要检查的第一件事