与套索不同，岭没有归零系数作为目标，你不应该期望应用岭惩罚会产生这种效果。所以你的标题问题的答案是“不”。

但是，在您的问题正文中，您询问岭惩罚是否有可能产生在未惩罚解决方案中非零的零系数。这里的答案是“是”，但这只是一个令人难以置信的巧合（这解释了为什么标题问题的答案是否定的）。

请参阅此答案中的图像（也在许多其他地方漂浮）。如果（未惩罚的）错误的轮廓恰好在其中一个轴上与约束圆相切，则该变量的系数将变为零。这将是一个令人难以置信的巧合，但理论上是可能的。（正则化甚至可以切换系数上的符号！）

我已经整理了一个玩具示例来展示这一点。 GitHub/Colab 笔记本。
（在sklearn中，我们习惯于用拉格朗日形式来考虑正则化回归；对于这些类型的图，最好以约束优化形式来考虑。请参见此处的连接）
让$X=\begin{pmatrix}1 & 1 \\ \sqrt{5} & -\sqrt{5} \end{pmatrix}$, $y=\begin{pmatrix}3 \\ -\sqrt{5}\end{pmatrix}$. 有一个确切的解决方案，$y=X\begin{pmatrix}1\\2\end{pmatrix}$，所以未惩罚的损失轮廓是（不是轴对齐的）椭圆，以 $(1,2)$. 当 L2 惩罚系数$\lambda$ 是 5，解决方案是 $(0,0.5)$. 什么时候$0<\lambda<5$，解首先权重为正，当 $\lambda>5$ 第一个权重是负的（！使这个系数略微为负可以让我们将第二个系数减小得更小，从而降低整体惩罚）。

Ridge 的正则化使其权重变得非常接近于零，但不是零。相比之下，lasso 可以使权重为零，因为它们使用的正则化类型。

如果你有很多特性，我建议使用套索，并且你认为其中只有少数是重要的。否则，即使您的模型变得更简单，您的准确性也会很差。

有 ElasticNet 结合了两者，但它更昂贵，因为它使用两个正则化。

我真的不明白你问的是什么

权重向量中零的数量可以从零变为其他值吗？

如果您事先确定了参数的数量，它们的权重是未知的，而不是零。这就是你想要找到的。

最后一件事，对于特征选择还有其他方法。这些（岭，套索）只是回归的线性模型。如果您想确定哪些功能最有效等。我建议您对此方法进行研究。

正如其他人所提到的，只有 Lasso 可以将参数精确地缩小到零（而 Ridge 或 Elastic Net 不会，请参阅统计学习简介中的第 6.2.2 章）。Lasso 有一些优点，即它可以用来处理高维数据。对于特征选择，有些人使用“双套索”方法。

如果您只想进行特征选择（或最佳子集选择），那么除了 Lasso 之外还有其他可能性，即向前或向后逐步选择。

《统计学习简介》（第 6 章：线性模型选择和正则化）一书对模型选择技术进行了非常有启发性的概述。

R和Python的代码示例是在线的。