Lasso比LassoCV更适合特征选择，因其允许手动指定alpha以控制稀疏程度；LassoCV自动选取的alpha常偏小，导致系数难以归零，无法有效筛选特征。
为什么用 Lasso 而不是 LassoCV 做特征选择？
直接用 Lasso 更可控：它不自动调参，你能明确指定 alpha 值，从而控制稀疏程度。而 LassoCV 选的是使交叉验证误差最小的 alpha，这个值常偏小，导致很多系数没被压到零，特征没真正“筛掉”。做特征选择时，你通常需要更激进的稀疏性。
常见错误是直接拿 LassoCV().fit(X, y).coef_ 提取非零系数——结果发现几乎全非零，误以为特征没被筛选。
-
alpha越大，L1惩罚越强，更多系数归零；建议从0.01开始试，逐步增大到0.5或更高（取决于数据量级） - 先对
X标准化（StandardScaler），否则不同量纲特征受惩罚不公，缩放后alpha才有可比性 - 别依赖默认
max_iter=1000：高维或病态数据易不收敛，遇到ConvergenceWarning就得手动加到5000以上
怎么安全提取被选中的特征列名？
不能只靠 lasso.coef_ != 0 判断——浮点精度下，本该为零的系数可能显示为 1e-15。必须设阈值，且要结合绝对值比较。
示例代码片段：
立即学习“Python免费学习笔记（深入）”；
from sklearn.linear_model import Lasso from sklearn.preprocessing import StandardScaler <p>scaler = StandardScaler() X_scaled = scaler.fit_transform(X) lasso = Lasso(alpha=0.1, max_iter=5000) lasso.fit(X_scaled, y)</p><h1>安全提取：用 abs + 阈值，而非直接 != 0</h1><p>mask = np.abs(lasso.coef_) > 1e-4 selected_features = np.array(feature_names)[mask].tolist()
- 阈值选
1e-4是经验起点；若特征数太多，可放宽到1e-3；若想更严格，收窄到1e-5 -
feature_names必须和X列顺序严格一致，否则索引错位 - 如果用了
Pipeline，记得用pipeline.named_steps['lasso'].coef_取系数，别从pipeline[-1].coef_硬索引
用 SelectFromModel 包装 Lasso 有什么坑？
它封装方便，但默认行为容易误导：不传 threshold 时，它用 median 当阈值，而不是零——这意味着哪怕所有系数都非零，它也可能选一半特征出来，根本不是“L1筛选”本意。
- 务必显式指定
threshold='1e-4'（字符串形式）或threshold=1e-4（数值，需配合norm_order=1等参数） - 传字符串更稳妥：
SelectFromModel(Lasso(alpha=0.1), threshold='1e-4')，内部会按绝对值排序后截断 - 它返回的是布尔掩码或变换后的数组，不保留原始列名——后续要自己映射回
feature_names - 注意
fit_transform返回的是 ndarray，若原数据是pandas.DataFrame，列名会丢失，需手动重建
当 coef_ 全为零时该怎么办？
这说明当前 alpha 太大，模型把所有特征都罚没了，不是bug，是信号——要么 alpha 过猛，要么数据本身线性不可分或噪声太大。
- 先检查
y是否为常量（如全 0 或全 1），这种情况下任何线性模型都会退化 - 降低
alpha至0.001，再观察np.count_nonzero(lasso.coef_) - 如果仍全零，尝试用
ElasticNet替代：设l1_ratio=0.9+ 小alpha，L2项能缓解病态，避免系数集体归零 - 确认目标变量是否真的和特征存在线性关联；若关系高度非线性，L1特征选择本身就失效，该换树模型或 RFE
真正麻烦的不是选不出特征，而是选出来的特征在下游模型里效果变差——这时候得回头检查标准化是否漏了、alpha 是否过小、或者目标变量是否存在泄露。
