L1正则化对于线性回归无效。

L1正则化对于线性回归无效是错误的说法。事实上，L1正则化对于线性回归是有效的，它可以帮助解决过拟合问题，提高模型的泛化能力。

以下是一个包含L1正则化的线性回归示例代码：

import numpy as np
from sklearn.linear_model import Lasso

# 生成示例数据
np.random.seed(0)
X = np.random.rand(100, 10)  # 生成100个样本，每个样本有10个特征
w = np.random.rand(10)  # 真实的参数
y = np.dot(X, w) + 0.1 * np.random.randn(100)  # 生成目标变量y

# 使用L1正则化的线性回归进行拟合
lasso = Lasso(alpha=0.1)  # 设置L1正则化参数alpha为0.1
lasso.fit(X, y)  # 拟合模型

# 输出参数估计结果
print("真实参数：", w)
print("L1正则化线性回归参数：", lasso.coef_)

在上述代码中，首先使用numpy生成100个样本，每个样本有10个特征和一个目标变量。然后，使用sklearn库中的Lasso类来进行L1正则化的线性回归拟合。最后，输出真实参数和L1正则化线性回归的参数估计结果。

通过运行上述代码，可以看到L1正则化的线性回归可以有效地估计参数，帮助解决过拟合问题。