答案完全取决于使用的惩罚量。如果太少，在对独立样本进行评估时，模型将被视为过度拟合。如果惩罚太多，就会发现欠拟合。目标是解决“恰到好处”的惩罚。执行此操作的两种方法是交叉验证（例如，100 次重复 10 倍交叉验证）或计算有效 AIC并求解优化它的惩罚。

校准曲线是 x = 事件的预测概率与 y = 事件的实际概率的图。实际概率是通过在$(\hat{P}, Y)$， 在哪里$Y$是二元结果的向量。如果校准曲线是线性的，则可以通过其截距和斜率来概括。当斜率大于 1 时存在欠拟合，当斜率小于 1 时存在过拟合（回归均值；低$\hat{P}$太低，高的太高）。

与上述方法相比，贝叶斯方法具有主要优势，包括：

1. 如果您合理地为惩罚参数指定先验分布（通常以倒数表示，即随机效应的方差），则会自动估计惩罚
2. 一旦完成，贝叶斯后验分布就完全按照它应该的方式工作，而一旦使用惩罚，频率论方法就不会给我们置信区间或假设检验