Ridge和Lasso的alpha不能直接比大小，因二者惩罚范数不同：Ridge用L2（平方和），Lasso用L1（绝对值和）；相同alpha下Lasso压缩更激进，易使系数归零，而Ridge仅收缩不置零，故需分别调参、独立网格搜索。
为什么Ridge和Lasso的alpha参数不能直接比大小
因为Ridge和Lasso对系数惩罚的方式不同：Ridge用L2范数（平方和），Lasso用L1范数（绝对值和）。相同alpha值下，Lasso压缩系数更激进，可能直接归零；Ridge则让所有系数都趋近于小值但不为零。所以调参时得分开搜——比如Ridge常用[0.1, 1, 10, 100]，而Lasso常从0.001起试，稍大一点就可能全归零。
- 用
sklearn.model_selection.GridSearchCV分别对两个模型做交叉验证搜索，别共用同一组param_grid -
Lasso在alpha过大会导致coef_全为0，检查前先看model.n_features_in_和np.count_nonzero(model.coef_) - 如果数据未标准化，
Ridge和Lasso结果会严重失真——必须用StandardScaler先处理X，否则量纲大的特征被过度惩罚
怎样用coef_判断Lasso是否真的做了特征选择
Lasso的“特征选择”能力体现在coef_里有明确的0值，但要注意浮点精度问题：实际输出可能是1e-15这种极小非零数，不能直接用== 0判断。
- 用
np.isclose(model.coef_, 0, atol=1e-6)代替== 0 - 打印选中特征名：假设
feature_names是列表，运行[n for n, keep in zip(feature_names, np.isclose(model.coef_, 0, atol=1e-6)) if not keep] - 注意
fit_intercept=True（默认）时，截距项不受正则化影响，别误把它当特征看
Ridge回归后还能用statsmodels做t检验吗
不能。Ridge引入了偏置，破坏了OLS的无偏性和标准误差的解析解，statsmodels.OLS的.summary()依赖经典假设，套在Ridge拟合的coef_上会给出错误的p值和置信区间。
- 想评估稳定性？改用
cross_val_score看MSE波动，或用bootstrap重采样估计coef_分布 - 若硬要解释系数大小，优先看标准化后的系数绝对值排序，而非统计显著性
- 某些场景需要推断（如医学建模），应考虑
BayesianRidge，它提供系数后验分布，比频率学派的t检验更适配正则化语境
训练时没报错，但predict时提示X.shape[1]不匹配
这是最常见的维度陷阱：Ridge和Lasso在fit()时记下了输入特征数n_features_in_，之后predict()强制要求列数一致。但如果你用pandas.DataFrame训练、却用numpy.ndarray预测，且中间删过列或重排过顺序，就容易触发这个错误。
立即学习“Python免费学习笔记（深入）”；
- 检查训练集和预测集列名/列数是否一致：
X_train.columns.equals(X_test.columns)（DataFrame）或X_train.shape[1] == X_test.shape[1]（array） - 避免手动切片传入
predict()，统一用pipeline封装缩放器和模型，例如：Pipeline([('scaler', StandardScaler()), ('ridge', Ridge())]) - 如果用了
OneHotEncoder，确保handle_unknown='error'并提前在训练集见过所有类别，否则预测遇到新类别会崩在编码层，不是模型层
