Lasso默认不标准化，特征量纲不一致会破坏稀疏性；必须用StandardScaler/RobustScaler对训练集fit再transform测试集；alpha需通过LassoCV交叉验证选取拐点；选中的变量应重用LinearRegression拟合以获可靠系数。
sklearn的Lasso默认不标准化，特征量纲不一致会直接废掉稀疏效果
很多人跑完Lasso发现系数全非零，或者重要特征没被踢掉——大概率是忘了标准化。LASSO靠L1惩罚压缩系数，但惩罚项对数值大小敏感：age（单位岁）和income（单位元）差几个数量级，模型会倾向收缩income的系数，而不是按真实重要性筛选。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 必须用
StandardScaler或RobustScaler在Lasso前做拟合+变换，不能只调用fit_transform一次就扔掉scaler - 测试集也要用训练集拟合出的scaler做
transform，不能重新fit - 如果含离散编码（如one-hot），标准化可跳过，但要确认这些列没参与L1惩罚（
Lasso本身不区分类型，全当连续处理）
Lasso的alpha不是越大越稀疏，得交叉验证找拐点
alpha控制L1惩罚强度，但线性增大alpha不等于线性增加零系数个数。太小：几乎没压缩；太大：所有系数归零。关键是要找到“刚出现稳定稀疏结构”的临界值。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 别手动试
alpha=0.1, 1, 10，用LassoCV自动扫alphas参数，默认5折CV，返回最优alpha_ - 看
cv_alphas_和mse_path_曲线，选mse上升前最后一个明显下降点，比最小mse对应点更鲁棒 - 如果数据量小（cv设成
LeaveOneOut()，避免CV结果抖动掩盖真实拐点
用Lasso做特征选择后，别直接拿系数当重要性排序
系数绝对值大小受标准化影响，也受alpha扰动——换一组alpha，原来排第3的特征可能变0。LASSO的稀疏性是“是否存活”，不是“谁更强”。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先固定
alpha（比如LassoCV选出的），跑多次bootstrap重采样，统计每个特征被选中的频率，>80%才算稳定入选 - 想对比重要性，改用
LassoLarsIC（BIC/AIC准则），它隐含模型复杂度权衡，系数更稳定 - 如果下游要解释性，把
Lasso选中的变量丢进普通LinearRegression再拟合，此时系数才反映真实效应方向和量级
稀疏模型预测时predict快，但coef_为零的特征仍占内存
Lasso对象的coef_永远是个完整长度的ndarray，哪怕99%是0。这对推理服务影响不大，但若要做特征工程链路导出（比如转ONNX或写入数据库），冗余零值会拖慢序列化/传输。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 提取有效特征索引用
np.nonzero(model.coef_)[0]，配合原始feature_names列表生成精简映射 - 导出时别存整个
model，只存intercept_、非零coef_和对应列名，体积能压到1/10以下 - 注意
fit_intercept=False时intercept_是0，但Lasso默认开启截距，别漏掉它
