ridge regression可以用来处理下面两类问题：一是数据点少于变量个数；二是变量间存在共线性。
当变量间存在共线性的时候，最小二乘回归得到的系数不稳定，方差很大。这是因为系数矩阵X与它的转置矩阵相乘得到的矩阵不能求得其逆矩阵，而ridge regression通过引入参数lambda，使得该问题得到解决。在R语言中，MASS包中的函数lm.ridge()可以很方便的完成。它的输入矩阵X始终为n x p 维，不管是否包含常数项。下面分别介绍包含和不包含常数项时的输出：
当包含常数项时，该函数对y进行中心化，以y的均值作为因子；对x进行中心化和归一化，以x中各个变量的均值和标准差作为因子。这样对x和y处理后，x和y的均值为0，这使得回归平面经过原点，即常数项为0.因此，虽然指定了包含常数项，它给出的系数(lmridgecoef)里也没有常数项的值。在使用该模型进行预测的时候，也需要首先对x和y进行中心化和归一化，因子是使用训练模型时候进行中心化和归一化的因子，然后再与系数相乘得到预测结果。这里需要指出的是，如果建立模型后在命令行窗口直接输入lmridge，也会出现一整套系数，该系数会包含常数项，这个系数和模型给出的系数(lmridgecoef)不一样,因为它是针对没有归一化和中心化的数据的，在预测的时候可以直接使用该系数，不需要对数据进行归一化和中心化。
当指定模型不包含常数项时，因为要强制通过原点，该模型假设各个变量的均值为0，因此不对x和y进行中心化，但是对x进行归一化，而且归一化因子也是假设变量均值为0计算出来的该变量的标准差。在进行预测的时候，如果使用lmridge$coef的系数，那么需要对数据进行归一化；如果使用lmridge直接给出的系数，只需要直接相乘。
ridge regression中lambda的选择：
可以使用select(lmridge)进行自动选择，一般使用GCV最小的值，lambda的范围是大于0即可以。
http://blog.sciencenet.cn/blog-54276-375345.html