特征筛选（LASSO）

LASSO 在线性回归上加 L1 惩罚 λ·Σ|系数|：λ 越大，越多系数被压成 0，剩下的就是入选特征。工具先把每个特征标准化（均值 0、标准差 1），使惩罚对各特征公平。

第一张图是不同 λ 下的交叉验证误差（±1 标准误）：「误差最小」规则取曲线最低点；「一倍标准误」规则取误差不超过最低点一个标准误的最大 λ，入选特征更少、更稳健。

第二张图是系数路径：从右（λ 大）往左看，越早离开 0 的特征越重要；表中「entry_step_on_path」是首次入选的步数。

相关性很高的特征中 LASSO 往往只留一个，另一个被压成 0 并不代表它与结果无关；样本少时入选结果会随折的划分波动，可换随机种子检查稳定性。

入选特征表给出标准化系数和原始单位系数；CV R² = 1 − 交叉验证 MSE / 结果方差。

方法说明

Tibshirani (1996) J R Stat Soc B 58:267–288；坐标下降求解（Friedman et al. 2010, J Stat Softw 33:1）；目标函数 1/(2n)·||y − Xβ||² + λ||β||₁、λ 网格与 k 折选择与 scikit-learn LassoCV 一致；一倍标准误规则见 Hastie et al.《The Elements of Statistical Learning》。

数据量

在浏览器中计算：建议样本 × 特征 ≤ 约 200 万（如 500 × 4,000）。