岭回归是一种补救措施，用于缓解模型中回归预测变量之间的多重共线性。回归中使用的预测变量通常是高度相关的。当它们是时，任何一个变量的回归系数取决于模型中包含哪些其他预测变量，哪些被排除在外。（因此，预测变量不反映该特定预测变量对响应变量的任何固有影响，而仅反映边际或部分影响，假设模型中包含任何其他相关预测变量）。岭回归为变量添加了一个小的偏差因子，以缓解这个问题。希望有帮助。

上面的帖子很好地描述了岭回归及其数学基础。但是，与其他收缩方法相比，它们没有解决应该在哪里使用岭回归的问题。可能是这样，因为没有特定情况表明一种收缩方法比另一种方法表现更好。有许多不同的方法可以解决预测变量之间的多重共线性问题，具体取决于其来源。岭回归恰好是通过缩小（在某些情况下，将其缩小到接近或等于零，对于较大的调整参数值）高度相关变量的系数估计来解决多重共线性问题的方法之一。

与最小二乘法不同，岭回归为不同的调整参数值生成一组系数估计值。因此，建议使用岭回归（系数估计集）的结果和模型选择技术（例如交叉验证）来确定给定数据的最合适模型。