岭回归
线性回归的正则化变体，在损失函数中加入L2惩罚项（系数平方和），缓解多重共线性问题，防止过拟合，适用于特征高度相关的场景
时间轴 (近 90 天)
在智能手机行为预测人格的案例中，按公式事前估算，OLS的期望样本外R²不足以超过样本均值基线（即小于等于0），而岭回归的期望表现能够超越该基线。
在高杠杆数据中，岭回归的收缩机制能够部分补偿不平衡带来的预测损失。
论文的分析框架基于留一交叉验证（LOOCV），分别推导了OLS和岭回归的期望样本外表现。
基于确定性等价可以优化超参数（各来源权重和岭回归正则化系数）并在不访问数据的前提下判断私有外部数据集是否有用
岭回归和Lasso能缓解共线性带来的系数不稳定，但代价是系数不再是无偏估计
当先验为高斯分布N(0, σ²I)时，取对数后先验项变为参数的L2范数惩罚，等价于岭回归的正则化项；拉普拉斯先验对应L1范数惩罚即Lasso回归
该作者对比了线性回归、岭回归、随机森林、梯度提升四种模型，四者表现出完全相同的偏差
岭回归通过在损失函数中添加L2正则化项将回归系数向零收缩但不置零，而LASSO（L1正则化）会产生稀疏解
AQuA论文给出的单特征留出集IC基准中，将所有特征做岭回归组合最高只能达到+0.025，且没有任何单一特征能突破0.03
全部知识事实 (9)
论文的分析框架基于留一交叉验证（LOOCV），分别推导了OLS和岭回归的期望样本外表现。
50%待验证在高杠杆数据中，岭回归的收缩机制能够部分补偿不平衡带来的预测损失。
50%待验证基于确定性等价可以优化超参数（各来源权重和岭回归正则化系数）并在不访问数据的前提下判断私有外部数据集是否有用
50%待验证岭回归和Lasso能缓解共线性带来的系数不稳定，但代价是系数不再是无偏估计
50%待验证当先验为高斯分布N(0, σ²I)时，取对数后先验项变为参数的L2范数惩罚，等价于岭回归的正则化项；拉普拉斯先验对应L1范数惩罚即Lasso回归
50%待验证岭回归通过在损失函数中添加L2正则化项将回归系数向零收缩但不置零，而LASSO（L1正则化）会产生稀疏解
50%待验证AQuA论文给出的单特征留出集IC基准中，将所有特征做岭回归组合最高只能达到+0.025，且没有任何单一特征能突破0.03
50%待验证在智能手机行为预测人格的案例中，按公式事前估算，OLS的期望样本外R²不足以超过样本均值基线（即小于等于0），而岭回归的期望表现能够超越该基线。
50%待验证该作者对比了线性回归、岭回归、随机森林、梯度提升四种模型，四者表现出完全相同的偏差
50%