我试图找到一个答案，但一个相当笼统的答案。

(1) 这取决于你所说的“表现更好”是什么意思。通常，绩效是根据概括和预测的能力来衡量的。因为这种交叉验证是一种常用的工具，您可以在其中反复将数据划分为训练集和测试集，使用训练集拟合模型，然后将预测集和测试集之间的偏差作为泛化能力的衡量标准。

(2) 这种情况很多。主要原因是岭回归往往可以避免过拟合。Bishop 的机器学习书的开头给出了一个基本示例：这里，将一个九阶多项式拟合到添加噪声的正弦曲线的随机实现。如果没有岭回归，拟合显然似乎过拟合$M=9$：

...好吧，显然至少当您还看到相应的正弦曲线时。但即使没有这些信息，人们也应该——根据奥卡姆的剃刀原则——更喜欢简单的模型，在这种情况下$M=3$多项式在左边。

以下是使用岭回归的相应结果：

你看到了好处，但也看到了危险。如果你选择$\lambda=1$（IE $\ln \lambda =0$) 就像在右侧所做的那样，您获得了一个大多数人会感到失望的合身。为了$\ln \lambda = -18$您保留一个简单且明显恰当的描述，类似于$M=3$多项式。

参数$\lambda$因此被认为降低了模型的复杂性。也就是说，您可以假设一个复杂的模型，并让程序在需要时自动降低复杂性。一般来说，这是一种避免为每个新数据集找到特定模型的任务的方法——相反，您只需选择一个通用模型，然后降低其复杂性，直到您希望获得所需的结果。当然，通过这个你可以获得更多的免费参数$\lambda$必须正确估计。同样，这通常通过交叉验证来完成。

最后，在这里您可以看到岭参数对训练和测试误差的影响：

自然，随着成长$\lambda$，训练误差随着残差平方和的变大而增加。同时。但是，另一方面，您会看到测试错误在某个地方达到最小值$\ln \lambda=-30$，这表明这对于泛化任务来说是一个很好的价值。