ElasticNetCV 开了 positive，自动 alpha 网格却把所有系数压成零

ElasticNetCV(positive=True) 拟合完成，整条自动搜索路径却几乎都是零系数。先看 alphas_，不要立即认定数据没有信号：scikit-learn 1.7.2 的一个具体故障会把不适用于正系数约束的上限用于生成网格，最小 alpha 也可能仍然过大。

自动网格从足以让全部系数为零的 alpha_max 向下延伸。未约束系数符号时，正、负相关都可能对应有效系数；但 positive=True 排除了负系数。旧计算仍利用相关量的绝对大小，强烈的负相关就可能把整个搜索区间抬高。

用同一组约束检查搜索区间

下面的小例子专门放大负相关，便于检查网格，不是实际项目应采用的训练集或交叉验证配置：

import numpy as np
import sklearn
from sklearn.linear_model import ElasticNetCV, ElasticNet

X = np.array([[1., 1.], [1., -1.]])
y = X @ np.array([1., -1000.])
options = dict(fit_intercept=False, positive=True)
search = ElasticNetCV(cv=2, **options).fit(X, y)
print(sklearn.__version__)
print(search.alphas_[0], search.alphas_[-1])
smallest = ElasticNet(alpha=search.alphas_[-1], **options).fit(X, y)
print(smallest.coef_)

这一配置默认 l1_ratio=0.5，正确上限为 2，默认下限为 0.002；原故障网格则从 2000 到 2。数值只适用于这份未中心化、未加权的小例子，不能直接给业务数据套用。生产检查要保留原来的 fit_intercept、l1_ratio、样本权重和预处理，否则比较的已经是不同优化问题。

scikit-learn 1.9.0 包含此修复：自动网格计算接收 positive，正系数路径使用相应的非负相关上限。更新实际训练环境中的版本，再跑原配置和这个区分正、负相关的检查。

受版本约束时，显式给出经过验证的 alpha

旧版本可通过 alphas 传入明确数组，避开有问题的自动生成步骤。例如在上述小例子中：

grid = np.geomspace(2.0, 0.002, 100)
search = ElasticNetCV(alphas=grid, cv=2, **options).fit(X, y)
print(search.alphas_[0], search.alphas_[-1], search.coef_)

这不是所有数据的通用网格。实际项目应在合法的训练与验证划分中评估范围，并检查最优 alpha 是否贴着搜索边缘；若贴边，需要重新评估范围，而不是只增加网格点数。不要为了取得非零系数取消业务要求的正系数约束。

验收应同时检查搜索区间和预测质量。零系数本身可以是合理的正则化结果；修复的目标是让自动区间尊重约束，不是保证模型一定选中某个特征。该修复也涉及 LassoCV 的正系数网格，但不能推导为所有 ElasticNet 收敛警告或多目标约束问题都已解决。