考虑 2 个预测变量（，）的简单情况。如果两个预测变量中没有或几乎没有共线性且分布良好，那么我们正在为数据拟合一个平面（$x_1$$x_2$$y$是第 3 维）并且通常有一个非常清晰的“最佳”平面。但是对于共线性，这种关系实际上是一条穿过 3 维空间的线，数据分散在它周围。但是回归例程试图将一个平面拟合到一条线，因此有无数个平面与该线完美相交，选择哪个平面取决于数据中的影响点，稍微改变其中一个点，然后“最佳”拟合平面发生了很大变化。岭回归所做的是将所选平面拉向更简单/更健全的模型（偏差值向 0）。想一想从原点 (0,0,0) 到平面的橡皮筋，将平面拉向 0，而数据会将其拉开以达成一个不错的折衷。