用 numpy.linalg.cond 初筛病态共线性：中心化后计算条件数，>1e3需警惕，>1e6模型不稳定；须移除常数列或改用 pinv；建议先 StandardScaler 标准化。VIF 定位具体共线特征：statsmodels 实现需传入纯特征矩阵（无截距列），逐列计算，VIF>5 中度，>10 强烈建议处理。
用 numpy.linalg.cond 快速判断特征矩阵是否病态
共线性本质是特征矩阵 X 的列向量近似线性相关，导致其条件数（condition number）极大。直接算 np.linalg.cond(X) 是最轻量的初筛方式——值超过 1e3 就该警惕，超过 1e6 基本说明模型训练会不稳定。
注意：必须先对 X 做中心化（减均值），否则截距项干扰判断；若含常数列（全 1 列），需提前移除或用 np.linalg.pinv 替代 np.linalg.inv，否则直接报 LinAlgError: Singular matrix。
常见错误：对未标准化的原始数据直接计算条件数，数值量纲差异大时结果失真。建议统一用 StandardScaler 预处理后再算。
用 VIF 定位具体哪几列特征高度相关
方差膨胀因子（VIF）能逐列评估每个特征被其余特征解释的程度。statsmodels.stats.outliers_influence.variance_inflation_factor 是最常用实现，但要注意它只接受二维数组且不自动排除截距列。
实操要点：
- 传入的
X必须是纯特征矩阵（不含目标变量y），且不能含全 1 列 - 对每列调用一次
variance_inflation_factor(X, i)，i是列索引 - VIF > 5 表示中度共线性，> 10 强烈建议处理；但若样本量小（
- 避免在高维稀疏矩阵（如 one-hot 后的类别特征）上暴力遍历 VIF，会极慢——优先合并相似类别或改用相关系数热力图初筛
用 PCA 或 TruncatedSVD 替代原始特征
当共线性严重且解释性要求不高时，降维比剔除特征更稳妥。对标准化后的 X，sklearn.decomposition.PCA 可直接压缩维度并保留大部分方差。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
关键区别：
-
PCA要求输入为 dense 数组，适合中小规模数据；TruncatedSVD支持 sparse 矩阵，适合文本 TF-IDF 等场景 - 别盲目设
n_components=0.95（保留 95% 方差），可能仍残留共线性——检查降维后新特征的条件数，确保 - PCA 主成分无法直接对应原始特征含义，若后续需特征重要性分析，得回映射到原空间（用
pca.components_加权还原），但此时解释性已弱化
用 Ridge 回归天然抑制共线性影响
L2 正则化会让回归系数收缩，等价于给 X.T @ X 加一个微小对角扰动（alpha * I），从而稳定矩阵求逆过程。相比手动剔除特征，Ridge 更少损失信息。
使用注意点：
-
alpha太小（如1e-6）起不到作用，太大（如100）会导致欠拟合——用RidgeCV自动交叉验证选参 - 必须在训练前对
X标准化，否则不同量纲特征受惩罚不均等 - 别和
StandardScaler的with_std=False搭配，否则 L2 惩罚失效（因为系数缩放依赖标准差）
真正麻烦的是共线性与异常值耦合的情况：一个离群样本就能让 VIF 突增，这时光看指标不够，得结合残差图和杠杆值（statsmodels 的 get_influence()）联合诊断。
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！
