LASSO中的One-hot-encoded分类变量，如何比较变量的重要性？

Question

我正在sklearn 从事一个回归项目，我在其中对各种数字和分类变量使用 LASSO 回归。分类变量使用 One-hot-encoder 方法进行转换。

由于一开始对特征矩阵进行了归一化处理，所以最终LASSO模型中系数的绝对值应该能够代表模型的相对重要性。

但是，我无法找出比较数值变量和分类变量之间重要性的方法。例如（使用面积和户型预测房价）：

Feature         Coefficient
sqft             114.35
type_house       67.11
type_apartment   -23.97
type_condo       5.14

比较 sqft 和 type 的重要性的合理方式应该是什么？

Answer 1

LASSO 允许特征选择，但通过改变 λ（惩罚系数）来估计模型。只需在y-axis 上绘制估计系数，在x-axis 上绘制λ。这将让您看到变量重要性如何随着正则化惩罚的增加而变化。

Here你会发现更详细的描述（图片来源）。您可以观察到，wt 是最重要的变量之一，因为即使 penalty (λ) 高 > 1，它仍然具有值 零差异强>。