statsmodels的GLM模型是否实现Ridge/Lasso正则化？能否调用fit_regularized？

你触发的NotImplementedError核心原因是：Statsmodels的GLM类并未实现fit_regularized方法——这个错误在调用fit_regularized时就会抛出，和后续的.summary()无关。

可行的替代方案 #

由于你使用的是Gaussian()族GLM，它与普通最小二乘（OLS）回归本质等价，因此可以直接借助OLS的正则化能力实现需求；如果后续需要扩展到非高斯族，也有其他工具可选：

方案1：改用OLS的正则化拟合

无论是矩阵接口还是公式接口，OLS都支持fit_regularized，完美匹配你当前的高斯GLM场景：

# 公式接口示例
import statsmodels.formula.api as smf

model = smf.ols(formula="wage ~ workhours + gender", data=train)
# method可选'elastic_net'，alpha是正则强度，L1_wt=1对应Lasso，0对应Ridge
fitted_model = model.fit_regularized(method='elastic_net', alpha=1.0, L1_wt=1.0)

# 查看系数
print(fitted_model.params)

方案2：用Scikit-learn处理非高斯族正则化GLM

如果后续需要针对泊松、二项式等非高斯族做正则化，Scikit-learn提供了开箱即用的实现：

• 高斯族：Lasso/Ridge/ElasticNet
• 二项式（逻辑回归）：LogisticRegression（默认带L2正则）
• 泊松族：PoissonRegressor

示例（Lasso正则化高斯回归）：

from sklearn.linear_model import Lasso
from sklearn.preprocessing import OneHotEncoder
import pandas as pd

# 处理分类变量gender的编码
encoder = OneHotEncoder(drop='first', sparse_output=False)
gender_encoded = encoder.fit_transform(train[['gender']])
X = pd.concat([train[['workhours']], pd.DataFrame(gender_encoded, columns=encoder.get_feature_names_out())], axis=1)
y = train['wage']

# 拟合模型
lasso = Lasso(alpha=1.0)
lasso.fit(X, y)

# 输出结果
print("系数：", pd.Series(lasso.coef_, index=X.columns))
print("截距：", lasso.intercept_)

方案3：自定义正则化GLM（进阶）

如果必须在Statsmodels的GLM框架内实现，可通过GenericLikelihoodModel自定义带正则项的目标函数，但需要手动推导正则化后的对数似然，适合有统计基础的用户。

内容的提问来源于stack exchange，提问作者Xtiaan