Machine learning
岭回归（Ridge Regression）
Ridge Regression 是一种 L2 正则化的线性回归方法，由 Arthur Hoerl 和 Robert Kennard 于 1970 年提出，通过对系数的大小增加惩罚项来减少多重共线性。它将系数收缩至零附近，但不会将任何系数精确地设为零，从而在预测变量高度相关时产生更稳定的估计。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
+22 more
来源
- Hoerl, A.E. & Kennard, R.W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. DOI: 10.1080/00401706.1970.10488634 ↗
如何引用本页
ScholarGate. (2026, June 1). Ridge Regression (L2-Regularized Linear Regression). ScholarGate. https://scholargate.app/zh/machine-learning/ridge-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →被引用于
ARFIMA：分数阶积分自回归滑动平均模型贝叶斯LASSO回归贝叶斯多元线性回归贝叶斯普通最小二乘回归 (Bayesian OLS)贝叶斯岭回归弹性网络 (Elastic Net)弹性网络回归经验贝叶斯集成线性回归影响诊断 (库克距离, DFFITS, 杠杆率)Lasso 回归M估计量（稳健回归）多元线性回归多元多重线性回归分位数回归（非参数变体）普通最小二乘法 (OLS) 回归在线线性回归普通最小二乘法 (OLS)偏最小二乘回归 (PLS)多项式回归主成分回归 (PCR)分位数回归随机效应模型 (Random Effects model)稳健多元线性回归稳健回归Robust Ridge Regression简单线性回归逐步回归支持向量回归方差膨胀因子 (VIF)