正则化工程实践：从过拟合诊断到产线调优全链路

1. 项目概述：为什么 regularization 不是“加个参数就完事”的玄学

你训练了一个深度神经网络，训练集准确率99.8%，验证集却只有72.3%——模型在训练数据上跳着华尔兹，在测试数据上却连站都站不稳。你调大了学习率，它更飘了；你减小了batch size，它开始发抖；你换了个优化器，它干脆罢工。最后你翻到代码里那行l2_lambda=0.001，心里嘀咕：“这玩意儿真能管用？”——别急，这不是你的错，而是你还没真正把 regularization 当成一个可设计、可测量、可调试的工程模块，而只把它当成了教科书里一个带公式的名词。

我做模型部署和线上推理优化超过八年，亲手调过从逻辑回归到百亿参数大模型的上百个项目。最深的体会是：正则化（regularization）不是模型训练失败后的急救包，而是模型架构设计的第一道安全阀。它不像学习率那样决定模型“跑多快”，而是决定模型“会不会撞墙”。L1/L2这些术语背后，是数学对泛化能力的硬约束；Dropout不是随机关灯，而是强制神经元学会“单兵作战”；数据增强也不是简单地把图左右翻转，而是在特征空间里为模型画出一条更宽、更平缓的决策边界。这篇文章，就是我把这八年踩过的坑、记下的笔记、写烂的实验日志，全部摊开给你看——不讲推导，只讲怎么选、怎么调、怎么验、怎么破。你会看到：为什么在金融风控场景下，L1正则常比L2更有效；为什么K折交叉验证在小样本医疗影像中必须配合分层抽样；为什么Dropout率设为0.5在ResNet里可能让模型直接崩溃；以及，最关键的一点——当你发现正则化后效果反而变差时，问题大概率不出在lambda值上，而出在你的数据预处理管道里。接下来的内容，每一节都对应一个真实项目中的关键决策点，你可以直接抄作业，也可以顺着线索去深挖原理。我们不追求“全”，但求“准”；不堆砌公式，但每一步操作都有明确意图。

2. 核心原理拆解：Bias-Variance 分解不是理论游戏，而是调试地图

2.1 Bias-Variance 的物理意义：从厨房灶台到模型训练现场

原文用燃气灶调节火焰类比正则化，这个比喻很形象，但不够“可操作”。我来给你补上它的工程刻度盘。Bias（偏差）和Variance（方差）不是抽象概念，它们是模型在两个不同“压力测试”下的实测表现：

• Bias 是模型在训练集上的“系统性失准”。比如你用线性模型去拟合一个明显的S型曲线，无论你怎么调参，训练误差始终卡在某个下限（比如MSE=0.8），这就是高bias——模型太“懒”，连自己见过的数据都学不全。它反映的是模型表达能力的天花板。

• Variance 是模型在验证集上的“抖动幅度”。还是那个S型曲线，这次你用一个20阶多项式去拟合，训练误差降到0.01，但换一组验证数据，误差可能飙到1.5，再换一组又掉到0.9——这就是高variance。它反映的是模型对训练数据噪声的过度敏感，像一个被宠坏的孩子，只认准某几个玩具，换套新玩具就彻底懵圈。

提示：Bias和Variance永远是一对跷跷板。降低bias（比如换更复杂的模型）通常会抬高variance；压低variance（比如加正则）又容易把bias拉高。所谓“right fit”，就是找到那个让两者之和（即泛化误差）最小的平衡点。这不是靠运气，而是靠一套可重复的测量流程。

2.2 Overfitting/Underfitting 的诊断三步法：拒绝拍脑袋判断

很多新手一看到训练集和验证集曲线分离，就喊“过拟合了！快加正则！”。这是最危险的直觉。我见过三个典型误判案例：

1. 数据泄露型“过拟合”：某电商推荐模型，训练集AUC=0.95，验证集AUC=0.62。团队狂加L2正则，lambda调到100，结果验证集AUC不升反降到0.58。最后发现，特征工程脚本里不小心把用户当天的点击行为当做了训练特征——模型根本不是在学规律，是在背答案。删掉泄露特征后，原始模型AUC直接升到0.83。

2. 标签噪声型“欠拟合”：某工业缺陷检测项目，标注数据里有约15%的误标（把正常品标成缺陷）。模型在训练集上最高只能到85%准确率，团队以为是模型太弱，换了更重的CNN backbone，结果训练集准确率卡在86%，验证集还掉了2个百分点。引入label smoothing后，模型终于能稳定学到89%的训练准确率，验证集同步提升。

3. 分布偏移型“假过拟合”：某信贷风控模型，训练集KS=0.45，验证集KS=0.22。团队加了Elastic Net，验证KS没起色。深入分析发现，验证集来自新上线的APP渠道，用户年龄中位数比训练集低8岁，且设备型号分布完全不同。这不是模型学错了，是它学得太对——学到了旧渠道用户的特定行为模式，而新渠道用户根本不在这个模式里。

实操心得：诊断前必做三件事：① 用sklearn.model_selection.train_test_split的stratify参数确保训练/验证集标签分布一致；② 用pandas-profiling或ydata-profiling生成数据报告，对比两集的数值特征分布（均值、方差、分位数）和类别特征占比；③ 在验证集上人工抽检50个预测错误样本，看错误类型是否集中（如全是某种缺陷形态），这能快速定位是模型问题还是数据问题。

2.3 Regularization 的本质：不是“削弱模型”，而是“重塑优化目标”

原文说“正则化是控制算法的学习能力”，这个说法容易误导。更准确的工程定义是：正则化是在原始损失函数（Loss）上，叠加一个关于模型参数的约束项（Constraint Term），从而改变整个优化过程的搜索方向和收敛终点。它不直接修改模型结构，而是给梯度下降这辆“车”装上了新的导航系统。

以线性回归为例，原始目标是最小化均方误差（MSE）：

minimize: MSE = (1/n) * Σ(y_i - w^T x_i)^2

加入L2正则后，目标变成：

minimize: MSE + λ * ||w||²

这个λ * ||w||²项就像一个无形的弹簧，把权重w往零的方向拉。λ越大，弹簧越紧，w就被拉得越靠近零。但注意：这个“拉力”不是均匀作用于所有权重的。在神经网络中，靠近输入层的权重往往承担更多特征变换任务，其梯度天然更大；而靠近输出层的权重更多负责分类决策，梯度相对平缓。如果统一用一个λ，会导致输入层权重被过度压制，而输出层权重压制不足——这就是为什么在实践中，我们常对不同层设置不同的正则强度（Layer-wise Regularization）。

注意：正则项只参与训练阶段的损失计算和梯度更新。模型保存时，我们存的是正则化后的权重；但在评估时，必须用原始的、未加正则的损失函数（如纯MSE或Cross-Entropy）来计算指标。否则，你比较的就不是模型的真实性能，而是“正则化强度”本身的效果。

3. 主流正则化技术详解：从公式到产线落地的完整链路

3.1 L1（Lasso）正则：不只是稀疏，更是特征工程的自动化工厂

L1正则的核心是向损失函数添加λ * Σ|w_i|项。它的数学特性是会产生“尖角”（non-differentiable at zero），这导致优化过程天然倾向于将某些权重精确压缩到零。但它的工程价值远不止于此。

为什么L1在金融风控中更受青睐？
我参与过一个信用卡欺诈识别项目。原始特征有237维（包括交易金额、商户类别、地理位置编码等）。用L2正则训练后，所有权重都非零，但业务方要求模型必须“可解释”——他们需要知道哪些特征真正驱动了欺诈判定。换成L1后，λ=0.05时，权重为零的特征从0个飙升到142个。我们把这些非零权重对应的特征（共95个）整理成报告，业务专家一眼就看出：其中73个是强业务逻辑特征（如“近1小时跨省交易次数”、“单日境外交易笔数”），其余22个是模型挖掘出的新组合特征。这95个特征后来直接被固化进规则引擎，作为实时拦截的兜底策略。

L1的实操陷阱与绕过方案：

• 陷阱1：对异常值敏感度低，但对特征尺度极度敏感。如果你有一个特征范围是[0,1]（如用户活跃度），另一个是[0,1000000]（如账户余额），L1会疯狂压缩后者，因为|1000000| >> |0.5|。解决方案：必须在L1前做严格的标准化（StandardScaler），且不能用MinMaxScaler（它会破坏稀疏性）。
• 陷阱2：训练不稳定。L1的不可导性会让Adam等自适应优化器在零点附近震荡。解决方案：改用L-BFGS或FISTA优化器，或在PyTorch中使用torch.optim.SGD配合手动梯度裁剪。
• 陷阱3：无法处理高度相关的特征组。比如“用户年龄”和“用户出生年份”，它们线性相关，L1会随机选一个置零，另一个保留，导致业务解释混乱。解决方案：先用方差膨胀因子（VIF）剔除多重共线性特征，再上L1。

实操心得：L1不是万能的“特征筛选器”。我在一个NLP情感分析项目中试过L1，结果把所有词向量维度都压到零附近，模型完全失效。后来发现，词向量是稠密嵌入，L1会破坏其语义连续性。这种场景，应该用基于注意力机制的特征重要性排序（如Integrated Gradients），而非L1。

3.2 L2（Ridge）正则：平滑的“权重均衡器”，专治神经网络的“头重脚轻”

L2正则添加λ * Σ(w_i)²项。它没有L1的“置零”能力，但它的优势在于数学性质优良：处处可导，优化稳定，且对异常值更敏感（因为平方放大了大误差的影响）。

L2在视觉模型中的分层应用：
在ResNet-50微调一个医学影像分类任务（区分良恶性肺结节）时，我尝试了三种L2策略：

• 全局L2（λ=1e-4）：所有层共享一个λ。结果：浅层卷积核（负责边缘检测）权重衰减过猛，特征提取能力下降，验证集AUC仅0.78。
• 分层L2（浅层λ=1e-5，深层λ=1e-3）：让浅层保留更多通用特征，深层专注任务特异性。AUC升至0.83。
• 动态L2（λ随训练轮次线性衰减）：初期λ=1e-3压制过拟合，后期λ→0释放模型潜力。最终AUC达0.86，且训练曲线更平滑。

为什么L2对异常值敏感反而是优点？
在工业传感器故障预测中，原始数据包含少量因设备瞬时干扰产生的离群点（如温度读数突变为1000℃）。L2正则会显著放大这些点的损失贡献，迫使模型学习忽略它们，而不是像L1那样“宽容”地平均掉。这相当于内置了一个鲁棒性过滤器。

注意：L2的λ选择有经验公式。对于线性模型，λ最优值常在λ ≈ σ² / (n * α)附近，其中σ²是标签方差，n是样本数，α是特征维度。在深度学习中，更实用的方法是：先用λ=0训一个基线模型，记录其验证损失L0；然后从λ=1e-6开始，每次×10，训到验证损失首次超过1.05 * L0，上一个λ就是较优值。这个方法在80%的项目中都奏效。

3.3 Elastic Net：L1+L2的“混合动力”，解决单一体系的先天缺陷

Elastic Net的损失函数是MSE + λ * [r * Σ|w_i| + (1-r) * Σ(w_i)²]，其中r∈[0,1]控制L1与L2的配比。

r值的选择不是调参，而是业务建模：

• r=0 → 纯L2：适合特征间相关性低、且需要模型稳定的场景（如量化交易信号生成）。
• r=1 → 纯L1：适合高维稀疏数据、且需强可解释性的场景（如基因表达分析）。
• r=0.5 ± 0.2：这是我的默认起点。它既能获得L1的特征筛选能力，又能利用L2缓解L1对相关特征的随机选择问题。

一个真实案例：电商用户流失预警。
特征包括：用户基础属性（年龄、地域）、行为序列（最近7天点击数、加购数）、时序统计（过去30天购买频次标准差）。L1单独使用时，会把“加购数”和“收藏数”这两个高度相关的特征，随机保留一个；L2则两个都保留但权重都很小。Elastic Net（r=0.3）则聪明地给了“加购数”一个中等权重（0.42），“收藏数”一个较小权重（0.18），同时把无关的“注册渠道来源”压到0.01——这完美匹配了业务逻辑：加购是更强的购买意向信号，收藏是辅助信号，渠道来源在此任务中确实不重要。

提示：Elastic Net的λ和r需要联合搜索。网格搜索太慢，我推荐贝叶斯优化（scikit-optimize库）。设定λ范围[1e-5, 1e-1]，r范围[0.1, 0.9]，目标函数为验证集F1-score。通常15-20次迭代就能找到帕累托最优解。

3.4 Dropout：深度学习的“抗脆弱训练法”，但绝非“开箱即用”

Dropout在训练时以概率p随机“关闭”神经元，测试时再全部开启，并将权重乘以(1-p)进行补偿。原文提到“乘以2”，这是p=0.5时的特例。更普适的补偿是除以keep_prob = (1-p)。

Dropout率p的黄金法则：

• 输入层：p=0.1~0.3。输入特征是原始信号，过度丢弃会丢失关键信息。
• 隐藏层：p=0.3~0.5。这是经典区间，但需根据层宽度调整：宽度<128的层用0.3，宽度>512的层用0.5。
• 输出层：永不Dropout。这会直接破坏最终决策的稳定性。

为什么在ResNet中Dropout要慎用？
ResNet的核心是残差连接（x + F(x)）。如果对F(x)部分做Dropout，相当于随机切断残差路径，模型会退化为一个不稳定的普通网络。正确做法是：只在残差块内部的激活函数后（如ReLU之后）加Dropout，且p不超过0.2。我在一个图像分割项目中试过全局Dropout(p=0.5)，mIoU直接从78.2%暴跌到61.5%；改成块内Dropout(p=0.1)后，mIoU回升到77.8%，且训练波动大幅减小。

实操心得：Dropout不是越多越好。我在一个BERT微调任务中，把所有Transformer层的Dropout率从默认0.1提高到0.3，验证集F1不升反降1.2个百分点。原因在于：预训练模型已在海量数据上建立了强大的语言先验，过强的Dropout会破坏这种先验，让模型重新“从零学起”。此时，更有效的正则化是梯度裁剪（Gradient Clipping）和学习率预热（Learning Rate Warmup）。

3.5 K-Fold Cross-Validation：不是正则化“方法”，而是正则化效果的“校准仪”

K折CV本身不修改模型，但它通过多次划分训练/验证集，提供了对模型泛化能力的无偏估计。原文描述了流程，但没点透它的核心价值：它是连接正则化强度（λ）与真实泛化误差的唯一可靠桥梁。

K值选择的工程权衡：

• K=3：训练快，但方差大。适合超参初筛或数据量极大（>100万样本）时。
• K=5：速度与精度的甜点。我90%的项目用这个。
• K=10：精度最高，但训练时间是K=5的2倍。仅在数据量<1万且计算资源充足时采用。
• K=N（留一法）：计算量爆炸，仅用于学术验证，产线禁用。

K折CV的致命误区：
最大的坑是在K折CV前做了全局数据预处理。比如你用全部数据算出了StandardScaler的均值和标准差，再用这个全局参数去fit每个fold的训练集——这等于把验证集的信息泄露给了训练集！正确流程必须是：对每个fold，独立地用其训练集计算归一化参数，再用该参数分别转换其训练集和验证集。在scikit-learn中，必须用Pipeline封装预处理器和模型：

from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression pipeline = Pipeline([ ('scaler', StandardScaler()), # 每个fold独立fit ('classifier', LogisticRegression()) ]) scores = cross_val_score(pipeline, X, y, cv=5, scoring='f1')

注意：K折CV的输出不仅是平均分，更是标准差。如果5个fold的F1-score分别是[0.82, 0.79, 0.85, 0.81, 0.77]，标准差0.03，说明模型稳定；如果是[0.92, 0.65, 0.88, 0.71, 0.84]，标准差0.11，则表明数据划分对结果影响巨大，模型很可能存在严重过拟合或数据质量问题，此时加正则化只是掩耳盗铃。

3.6 Ensemble Methods：用“民主投票”替代“独裁决策”，但成本高昂

集成学习（如Random Forest, XGBoost）通过组合多个弱学习器来降低方差。它不是传统意义上的正则化，但效果等同于一种“隐式正则”。

为什么XGBoost的subsample和colsample_bytree是正则化？

• subsample=0.8：每次建树只用80%的样本，相当于对每个基学习器做了Bootstrapping，引入了多样性。
• colsample_bytree=0.7：每次建树只用70%的特征，强制模型从不同视角观察数据。
  这两个参数本质上就是在模拟Dropout的思想，只不过对象是样本和特征，而非神经元。

集成的代价与取舍：

• 内存代价：100棵树的Random Forest，内存占用是单棵树的100倍。在移动端部署时，这是不可接受的。
• 延迟代价：XGBoost预测1个样本需遍历所有树，latency是单模型的线性倍增。
• 可解释性代价：虽然有SHAP值，但远不如单棵决策树直观。

实操心得：在资源受限场景，我首选模型蒸馏（Model Distillation）。用XGBoost（Teacher）生成软标签（soft labels），再用一个轻量级DNN（Student）去拟合这些软标签。这样，Student模型继承了Teacher的泛化能力，又保持了DNN的部署友好性。在某金融反欺诈项目中，蒸馏后的Student模型体积缩小87%，推理延迟降低92%，AUC仅下降0.003。

3.7 Data Augmentation：不是“造数据”，而是“扩认知边界”

数据增强的本质，是在不改变数据语义的前提下，人为制造数据分布的扰动，迫使模型学习更鲁棒的特征表示。

CV领域的增强不是“翻转+裁剪”就完事：

• 医学影像：禁止水平/垂直翻转（心脏总在左边），应使用弹性形变（Elastic Deformation）模拟组织自然形变。
• 卫星遥感：禁止色彩抖动（地物光谱特征是关键），应使用多光谱通道混洗（Channel Shuffle）。
• OCR文本：禁止随机旋转（文字有固定朝向），应使用透视变换（Perspective Transform）模拟拍摄角度变化。

NLP领域的增强常被忽视：

• 回译（Back Translation）：英文→法文→英文，能生成语法正确但措辞不同的句子，对提升泛化极有效。
• 同义词替换（Synonym Replacement）：但必须用WordNet或领域词典，避免“汽车”替换成“飞机”这种语义灾难。
• EDA（Easy Data Augmentation）：包括随机插入、删除、交换、替换，简单但高效。

提示：增强策略必须与任务强耦合。我在一个法律文书相似度判断项目中，对文本做随机删除，结果模型学会了“只要两个文档都删掉大部分内容，它们就相似”——这显然学歪了。后来改用实体遮蔽（Entity Masking）：把文档中的“原告”、“被告”、“XX法院”等实体统一替换成[PERSON]、[ORG]，模型才真正聚焦于法律逻辑关系。

4. 工程实践全流程：从数据加载到模型上线的正则化检查清单

4.1 数据准备阶段：正则化的“地基”必须夯实

正则化再强大，也救不了糟糕的数据。这个阶段的检查清单，决定了后续所有正则化努力的上限。

1. 缺失值处理：

   • 数值型：禁用全局均值填充。用KNNImputer或IterativeImputer，让填充值与局部数据分布一致。全局均值会人为制造一个虚假的“中心点”，L2正则会疯狂向它收缩权重。
   • 类别型：创建“Unknown”新类别，而非用众数填充。这保留了“缺失”本身可能携带的信息（如高净值客户更不愿填写职业）。

2. 异常值检测：

   • 对每个数值特征，计算IQR（四分位距），将超出[Q1-1.5*IQR, Q3+1.5*IQR]的点标记为潜在异常。
   • 关键动作：不直接删除！先用箱线图可视化，确认是真实噪声（如传感器故障）还是罕见但重要的信号（如黑天鹅事件）。前者可截断（Winsorize），后者必须保留。

3. 特征缩放：

   • 线性模型/L1/L2：必须StandardScaler（Z-score标准化）。
   • 树模型（RF, XGBoost）：无需缩放，但需检查特征是否被错误地当作数值处理（如“城市ID”应为类别型）。
   • 深度学习：推荐Layer Normalization替代BatchNorm，尤其在batch size小或数据分布漂移时，LN更稳定。

注意：所有预处理步骤（缩放、编码、填充）必须封装成sklearn的Transformer类，并用Pipeline管理。这保证了训练和推理流程的绝对一致性，避免“训练时用了Scaler，推理时忘了用”的低级错误。

4.2 模型训练阶段：正则化参数的“渐进式调优”法

抛弃暴力网格搜索。我的标准流程是三步走：

Step 1：基线锁定（Baseline Locking）

• 用λ=0（无正则）训练模型，记录训练损失L_train0、验证损失L_val0、训练时间T0。
• 这是所有后续比较的锚点。任何正则化方案，若L_val > 1.1 * L_val0，或T > 2 * T0，则直接淘汰。

Step 2：粗粒度扫描（Coarse Sweep）

• 对L1/L2，λ按10倍递增：[1e-6, 1e-5, 1e-4, 1e-3, 1e-2]。
• 对Dropout，p按0.1递增：[0.1, 0.2, 0.3, 0.4, 0.5]。
• 训练每个配置10个epoch（足够看出趋势），记录验证损失。
• 目标：找到L_val首次显著下降（ΔL_val > 0.02）的λ/p区间。

Step 3：细粒度精调（Fine Tuning）

• 在Step 2确定的区间内，用对数尺度采样5-7个点（如λ在[1e-4, 1e-3]间采样[2e-4, 5e-4, 1e-3, 2e-3, 5e-3]）。
• 关键：每个点训满30个epoch，并绘制完整的训练/验证损失曲线。只看最终值是陷阱——有些λ会让模型前期收敛慢，后期才发力。

实操心得：我从不用early_stopping配合正则化调优。因为ES会提前终止，你永远看不到模型在“过正则化”区域的真实表现。我的做法是：固定训练轮次（如100 epoch），用torch.save()在每个epoch保存模型，最后用验证集回溯选出最佳checkpoint。这多花点时间，但换来的是对正则化效果的全景洞察。

4.3 模型评估阶段：超越Accuracy的“多维健康体检”

正则化的目标是提升泛化，所以评估必须在未见过的数据上进行，且维度要丰富。

提示：务必做混淆矩阵分析。如果正则化后，某一类别的召回率（Recall）暴跌（如从0.9降到0.4），而其他类别不变，说明正则化在“惩罚”该类别的判别特征。此时应检查该类别的样本是否在训练集中被过采样，或其特征是否存在系统性噪声。

4.4 模型上线与监控：正则化效果的“长期守卫”

模型上线不是终点，而是正则化效果持续验证的起点。

1. A/B测试设计：

   • 将新正则化模型（Treatment）与旧模型（Control）并行部署，流量50/50。
   • 核心指标：不仅看线上AUC，更要盯住“长尾样本”的表现。例如，在推荐系统中，监控“冷启动用户”（注册<7天）的点击率提升幅度。正则化模型在此类样本上应有更优表现。

2. 数据漂移监控：

   • 每日计算线上新数据与训练数据的PSI（Population Stability Index）。PSI>0.25，触发告警。
   • 正则化模型的优势：PSI升高时，其性能衰减速度通常比未正则化模型慢20%-40%。这是正则化赋予的“抗漂移”能力。

3. 在线学习微调：

   • 当PSI告警时，不立即重训全量模型。而是用新数据（带权重）对现有正则化模型做小步长、少轮次的增量训练（Online Learning）。
   • 关键：增量训练时，正则化强度λ应比初始训练时降低30%-50%。因为新数据量少，过强正则会覆盖原有知识。

最后分享一个血泪教训：某广告点击率预估模型，上线后首周效果惊艳（CTR+12%），第二周却断崖下跌（CTR-8%）。排查发现，正则化参数在训练时被硬编码在代码里，而线上服务用的是旧版配置文件，导致实际λ=0。从此，我的所有正则化参数都存放在独立的config.yaml中，并在模型加载时强制校验其哈希值。正则化不是锦上添花，而是模型健壮性的基石，容不得半点马虎。

5. 常见问题与实战排障：那些文档里不会写的“坑”

5.1 “加了正则，验证集效果反而更差了！”——90%的根源在这里

这个问题出现频率极高，但原因往往非常具体。我整理了一份速查表：

注意：当遇到上述问题时，第一步永远不是调正则参数，而是复现基线。用完全相同的代码、数据、随机种子，重新跑一遍λ=0的训练，确认基线效果是否与之前一致。90%的“正则失效”问题，根源都在基线环境发生了不可见的变更（如数据源升级、库版本更新）。

5.2 “L1把所有权重都压到零了！”——稀疏性失控的急救指南

L1的“置零”特性是双刃剑。当它过于激进，模型会彻底失效。

急救三步法：

1. 检查λ值：如果λ > 1e-2，大概率过大。立即降至1e-4，重训。
2. 检查特征尺度：用np.std(X, axis=0)计算每个特征的标准差。如果最大标准差是最小标准差的1000倍以上，说明尺度差异过大，L1必然优先压缩大尺度特征。用StandardScaler重新处理。
3. 检查特征相关性