岭回归：一种线性回归的正则化方法，通过在损失函数中加入 L2 惩罚项（系数平方和），来减小模型系数、缓解多重共线性，并降低过拟合风险。常见形式是最小化
(|y - X\beta|^2 + \lambda |\beta|^2)。
（在统计学中也常被称为 Tikhonov regularization；“ridge”指目标函数形状像“山脊”。）
/rɪdʒ rɪˈɡrɛʃən/
Ridge regression shrinks the coefficients to reduce overfitting.
岭回归会收缩回归系数，以降低过拟合。
When predictors are highly correlated, ridge regression often yields more stable estimates than ordinary least squares.
当自变量高度相关时，岭回归通常比普通最小二乘法给出更稳定的估计。
“Ridge”原意为“山脊、脊线”。在岭回归中，加入的 L2 惩罚会使优化问题的等高线/解的几何形状呈现类似“山脊”的特征，因此得名。该方法在 20 世纪 60–70 年代被系统化提出，用于应对线性回归中的多重共线性与估计不稳定。
Select Language