l1正则适用于需显式特征筛选且数据天然稀疏的场景，如文本或点击日志；l2正则更适用于存在强相关特征时的稳定建模。l1要求solver='saga'或'liblinear'，c越小系数归零越多；l2支持默认solver='lbfgs'，c调节平滑收缩系数。
逻辑回归加 L1 或 L2 正则化，不是“加了就变好”，而是会直接改变模型的行为边界：L1 让部分特征系数归零，L2 让所有系数平滑收缩；选错正则类型，可能让关键特征被误删，或共线性问题照旧。
什么时候该用 L1（penalty='l1'）？
核心判断依据是：你是否需要显式做特征筛选，且数据天然稀疏。
- 用户点击日志、文本 TF-IDF、One-Hot 后的高维编码——这类数据中大量特征值为 0，
L1能自动把不重要特征的系数压成0，模型可解释性提升明显 - 你后续要导出「哪些特征起了作用」给业务方看，
L1的非零系数列表就是现成答案 - 注意：
LogisticRegression默认求解器'liblinear'支持L1，但训练慢；换成solver='saga'才能高效处理稀疏矩阵，否则可能卡住或报ConvergenceWarning -
C参数调小（比如0.1）会让更多系数归零；微调C可能导致某个特征系数从非零跳变为 0，路径不连续——这不是 bug，是 L1 的固有特性
什么时候该用 L2（penalty='l2'）？
适用场景更广，尤其当特征之间存在强相关性时，L2 是更稳妥的选择。
Python 3.14.2
下载
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 比如同时有
monthly_income和annual_income，或多个地理层级编码（省/市/区），它们高度共线；L2会让两个系数都缩小但保留，而L1可能只留一个，丢失业务含义 -
solver='lbfgs'（默认）或'sag'都原生支持L2，训练快、收敛稳，不需要额外切 solver -
C增大（如从1.0到10.0）会让惩罚变弱，系数缓慢增大；减小C则所有系数平滑衰减，不会突变——适合精细调参 - 推断时无压缩，预测速度不受影响；但模型本身没变稀疏，不能节省存储或加速部署
L1 和 L2 在 LogisticRegression 中的参数陷阱
Scikit-learn 的接口看似统一，但底层行为差异极大，容易踩坑。
-
penalty='l1'时，solver必须是'liblinear'（旧版默认）或'saga'；用'lbfgs'会直接报错ValueError: Solver lbfgs does not support penalty='l1' -
penalty='elasticnet'不是通用选项——它只在solver='saga'下可用，且必须显式设置l1_ratio（比如0.5） -
C是正则强度的倒数：数值越小，正则越强；别和直觉反着记。常见错误是把C=0.001当成“弱正则”，结果模型几乎不学 - 标准化不是可选操作：未
StandardScaler就用L1/L2，会导致量纲大的特征被过度惩罚，小量纲特征被忽略——这和正则初衷相悖
验证效果不能只看准确率
加了正则，训练集准确率大概率下降，但测试集表现才是关键；更要关注系数分布和业务合理性。
- 画系数绝对值直方图：
L1应出现明显峰值在 0 处；L2应呈单峰向左偏移，无尖峰 - 用
model.coef_[0]拿到系数后，检查是否有业务上“不该为 0 却归零”的特征（比如用户付费标志），若有，说明C太小或该用L2 - 如果测试集 AUC 提升但系数全趋近于 0，可能是
C过大导致欠拟合——这时得回退并检查特征工程是否到位
真正难的不是调 C，而是理解你的数据里有没有天然稀疏结构、是否存在不可割裂的共线特征组；正则不是魔法开关，它是对建模假设的一次显式表态。
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！
