Lasso系数可为0因其L1惩罚的菱形等高线易在角点截断系数，Ridge的L2圆形等高线仅收缩不归零；故Lasso能特征筛选，Ridge不能。
为什么Lasso的系数会变成0，而Ridge不会
Lasso用的是L1范数惩罚项（即系数绝对值之和），它的等高线是菱形，在坐标轴交点处梯度不连续，优化过程容易“撞上角点”，导致某些系数被精确压缩为0；Ridge用L2范数（系数平方和），等高线是圆形，只会让系数趋近于0但极少真正归零。
这意味着：只有Lasso能天然做特征筛选，Ridge只适合缓解共线性或过拟合，不能删特征。
-
Lasso的alpha越大，稀疏性越强——但太大时所有系数都变0，模型失效 - 数据必须标准化（
StandardScaler）：否则量纲差异会让大数值特征“占便宜”，小数值特征被误杀 -
Lasso对异常值敏感，建议先用RobustScaler或剔除明显离群点
如何用sklearn的Lasso选特征并解释结果
核心不是调参，而是看lasso.coef_哪些是严格等于0，对应特征就是被过滤掉的。注意：浮点计算下可能有极小非零值（如1e-15），应设阈值判断。
from sklearn.linear_model import Lasso
from sklearn.preprocessing import StandardScaler
import numpy as np
<p>X_scaled = StandardScaler().fit_transform(X)
lasso = Lasso(alpha=0.1, max_iter=2000)
lasso.fit(X_scaled, y)</p><h1>获取非零系数的特征名</h1><p>mask = np.abs(lasso.coef_) > 1e-5
selected_features = [f for f, m in zip(feature_names, mask) if m]
print("保留特征：", selected_features)</p>
-
max_iter常需调大，默认1000在高维或病态数据下易不收敛，报ConvergenceWarning -
alpha没固定最优值，用LassoCV自动交叉验证更稳，但要注意cv=5默认较慢，小数据可改cv=3 - 别直接用
lasso.feature_importances_——Lasso没这个属性，那是RandomForest的
LassoCV自动选alpha后，系数还是全非零？
常见于特征维度远小于样本量、或特征间高度相关（如多重共线性）。Lasso在共线特征中会随机保留一个、压掉其余，但有时全部“幸存”——这不是bug，是L1惩罚在当前alpha下尚未强到触发截断。
- 检查
LassoCV返回的alpha_值：如果它非常小（如0.001），说明数据本身不易稀疏，强行加大alpha可能更实用 - 用
np.linalg.cond(X_scaled)看条件数：>1000说明共线严重，考虑先用PCA降维或手动合并相似特征 - 换
LogisticRegression(penalty='l1', solver='liblinear')（分类）或LinearSVC(penalty='l1', dual=False)（支持向量机版L1），它们在某些场景下稀疏性更强
过滤后的特征再训练模型，性能反而下降？
稀疏过滤本质是牺牲部分拟合能力换可解释性与泛化鲁棒性。性能下降不等于做错了——重点看验证集/测试集是否更稳定，以及业务是否真需要“可解释的少量特征”。
- 别在过滤后立刻用原始
X训练新模型：必须用同样标准化后的X_scaled[:, mask]，否则尺度错乱 - 如果下游是树模型（如
RandomForest），Lasso过滤可能适得其反——树本身抗噪声、不依赖线性假设，硬筛反而丢信息 - 真正关键的是：你过滤的目的是部署轻量化（减少API字段）、审计合规（解释每个输入影响），还是单纯想降维？目标不同，评估指标就该不同
稀疏性不是银弹，alpha调得再细，也掩盖不了特征工程本身的质量问题——如果原始特征里本就没有强信号，Lasso只会沉默地删掉一堆噪音，然后给你一个看起来干净、实则无力的模型。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
