L1正则化在scikit-learn中对应Lasso类，其通过L1惩罚项自动将部分系数压缩至0，实现特征筛选并缓解多重共线性；需标准化输入、慎用Ridge（仅缩放不置零），推荐LassoCV自动选参。
L1正则化在scikit-learn中对应哪个类？
直接用 Lasso，不是 Ridge 或 ElasticNet（除非你主动混合L1/L2）。Lasso 的核心就是 L1 惩罚项，能自动把部分系数压缩到 0，从而实现特征筛选——这对缓解多重共线性很关键，因为高度相关的特征里，它通常只保留一个，其余归零。
常见错误是误用 Ridge：它用 L2，只能缩小系数、不能置零，对共线性有抑制但不解决“冗余特征干扰解释性”的问题。
-
Lasso默认使用坐标下降法（coordinate_descent），对高维稀疏数据友好 - 若遇到收敛警告
ConvergenceWarning，优先调大max_iter（比如设为2000），而不是盲目调小alpha -
fit_intercept=True是默认值，但若 X 已中心化，可设为False避免重复去均值
alpha 取值太小或太大分别会导致什么？
alpha 控制正则强度：太小 → 几乎没惩罚，系数仍不稳定；太大 → 过度收缩，所有系数趋近于 0，模型欠拟合。多重共线性下尤其敏感——同一组相关特征，alpha 微调可能导致某个系数从 0.15 突然跳到 0，或反过来。
推荐做法是用 LassoCV 自动选参，它默认做 5 折交叉验证，返回使 MSE 最小的 alpha_：
立即学习“Python免费学习笔记（深入）”；
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
from sklearn.linear_model import LassoCV
lasso_cv = LassoCV(cv=5, alphas=np.logspace(-4, -1, 50))
lasso_cv.fit(X, y)
print("选中的 alpha:", lasso_cv.alpha_)- 手动网格搜索时，
alphas建议用对数等间距（np.logspace），而非线性等间距 - 如果
LassoCV返回的alpha_接近你设定范围的边界（如最小值），说明需要拓宽alphas范围 - 注意：
LassoCV的cv参数若设为整数，用的是 KFold；若数据有时间结构，得换TimeSeriesSplit
为什么标准化输入变量是必须步骤？
L1 惩罚对特征量纲极度敏感。比如一个特征单位是“万元”，另一个是“百分比”，前者数值天然大几十倍，Lasso 会倾向先压缩后者——这不是统计意义的选择，纯粹是量纲作弊。不标准化，Lasso 的特征筛选结果不可信。
必须在 Lasso 之前用 StandardScaler（或 scale），且注意：对新样本预测时，要用训练集得到的 scaler 参数做变换，不能重新 fit：
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # ✅ 训练集 fit+transform X_test_scaled = scaler.transform(X_test) # ✅ 测试集只 transform
- 别用
MinMaxScaler替代——它不保证零均值，会影响 Lasso 对截距项的处理 - 如果含哑变量（one-hot 编码后的类别特征），也应参与标准化；虽然它们本就 0/1，但和连续变量混在一起时，尺度差异仍存在
- 标准化后，
Lasso输出的系数不能直接解释原始单位下的影响大小，需反向换算（但通常我们更关注“是否入选”而非绝对值）
如何确认多重共线性确实被缓解了？
不能只看 R² 或 MSE 提升——那可能是过拟合。重点检查系数稳定性与结构变化：
- 对比普通线性回归（
LinearRegression）和Lasso的系数向量：若某组相关特征（如X1和X2）在普通回归中系数符号相反、绝对值接近，但在 Lasso 中一个为 0、另一个显著非零，说明共线性干扰已被打破 - 用
np.linalg.cond(X_train_scaled)查条件数：Lasso 本身不改变设计矩阵，但通过筛选特征，后续若重构 X_sub（只保留非零系数列），其条件数应明显下降 - 留出验证集，反复重采样训练（如 bootstrap），观察非零系数集合是否稳定；若每次选的特征波动很大，说明
alpha还没调好，或共线性太强，需考虑先做 PCA 或手动剔除高 VIF 特征
真正棘手的情况是：即使用了 Lasso，几个高度相关的特征系数依然轮流非零、震荡出现——这时候 L1 的“任意选择”特性成了弱点，该考虑 ElasticNet（混合 L1/L2）或领域知识驱动的特征合并。
