开启L1正则化需显式设置penalty='l1'及solver='liblinear'或'saga'，因其他solver不支持L1；L1可得稀疏解用于特征选择，但须标准化以防量纲影响，且部署时需固化特征掩码以保证列对齐。
用 sklearn.linear_model.LogisticRegression 开启 L1 正则化
默认的 LogisticRegression 用的是 L2 正则（ridge），想得到稀疏解（即自动做特征选择），必须显式指定 penalty='l1' 和优化器 solver='liblinear' 或 'saga'。其他 solver（如 'lbfgs'、'newton-cg'）不支持 L1，会直接报错：ValueError: Solver lbfgs supports only 'l2' or 'none' penalties。
实操建议：
-
solver='liblinear'兼容性好，小数据集（ -
solver='saga'支持多分类 + L1，且能处理大规模数据，但收敛更慢，需注意max_iter是否足够（默认 100，常需设为 500+）； -
C参数控制正则强度：值越小，L1 惩罚越强，系数归零越多——这不是“越大越好”，而是要靠交叉验证调优。
为什么 C 要用 LogisticRegressionCV 而不是手调
L1 正则效果对 C 极其敏感：C=0.1 可能只剩 3 个非零系数，C=0.01 就可能全归零；手动试几个值容易错过拐点，也难判断模型是否过稀疏（特征删多了，性能反而掉）。
推荐直接上 LogisticRegressionCV：
立即学习“Python免费学习笔记（深入）”；
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
- 它内置了
cv=5的 StratifiedKFold，自动扫C候选集（默认是 10 个对数等距点）； - 对二分类，默认用
scoring='accuracy'，但若数据不平衡，应显式传scoring='f1'或'roc_auc'； - 注意：它默认
penalty='l2'，必须写成LogisticRegressionCV(penalty='l1', solver='saga', ...)，否则还是 L2。
检查稀疏性：别只看 .coef_ 形状
.coef_ 是 numpy 数组，即使很多元素为 0，它仍是稠密存储。真正关心的是“有多少特征被踢掉了”，得自己统计：
model = LogisticRegressionCV(penalty='l1', solver='saga', Cs=[0.001, 0.01, 0.1, 1], cv=3)
model.fit(X, y)
n_nonzero = np.count_nonzero(model.coef_[0]) # 二分类时 coef_ 是 (1, n_features)
print(f"保留特征数：{n_nonzero}/{X.shape[1]}")常见误区：
- 用
np.isclose(model.coef_, 0).sum()不可靠——浮点误差下，L1 解的“零”其实是极小值（如 1e-12），应改用np.abs(model.coef_) > 1e-5判断； - 多分类（
multi_class='ovr'）时.coef_形状是(n_classes, n_features)，需按行分别统计； - 标准化（
StandardScaler）不是可选操作——L1 对量纲敏感，不标准化会导致量级大的特征更难被压缩为 0。
训练后怎么用留下的特征做新预测
L1 本身不提供“特征掩码”接口，得手动提取：
- 先拿到筛选后的列索引：
mask = np.abs(model.coef_[0]) > 1e-5； - 保存这个
mask（或对应特征名列表），后续新数据必须用相同 mask 截取：X_new_selected = X_new[:, mask]； - 不能直接用原
model.predict(X_new)——如果X_new维度和训练时不一致（比如新增/缺失列），会报ValueError: X has 10 features, but LogisticRegression is expecting 7 features。
真正麻烦的不是拟合，是部署时如何把 “fit 时的 mask” 和 “predict 时的列对齐” 稳定固化下来。用 sklearn.pipeline.Pipeline 包一层 ColumnTransformer 或自定义 selector 会更健壮，但前提是 mask 必须在 CV 过程中就确定下来——而 LogisticRegressionCV 的 mask 在每次 CV 折里都可能不同，这点容易被忽略。
