岭回归(英文名：ridge regression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。
对于有些矩阵，矩阵中某个元素的一个很小的变动，会引起最后计算结果误差很大，这种矩阵称为“病态矩阵”。有些时候不正确的计算方法也会使一个正常的矩阵在运算中表现出病态。对于高斯消去法来说，如果主元（即对角线上的元素）上的元素很小，在计算时就会表现出病态的特征。
回归分析中常用的最小二乘法是一种无偏估计。对于一个适定问题，X通常是列满秩的
采用最小二乘法，定义损失函数为残差的平方，最小化损失函数
上述优化问题可以采用梯度下降法进行求解，也可以采用如下公式进行直接求解
的行列式接近于0，即
接近于奇异，上述问题变为一个不适定问题，此时，计算
为了解决上述问题，我们需要将不适定问题转化为适定问题：我们为上述损失函数加上一个正则化项，变为
于是：
的增大，
各元素
的绝对值均趋于不断变小，它们相对于正确值
的偏差也越来越大。
趋于无穷大时，
趋于0。其中，
随
的改变而变化的轨迹，就称为岭迹。实际计算中可选非常多的k值，做出一个岭迹图，看看这个图在取哪个值的时候变稳定了，那就确定
岭回归是对最小二乘回归的一种补充，它损失了无偏性，来换取高的数值稳定性，从而得到较高的计算精度。
通常岭回归方程的R平方值会稍低于普通回归分析，但回归系数的显著性往往明显高于普通回归，在存在共线性问题和病态数据偏多的研究中有较大的实用价值。
使用数理统计模型从海量数据中有效挖掘信息越来越受到业界关注。在建立模型之初，为了尽量减小因缺少重要自变量而出现的模型偏差，通常会选择尽可能多的自变量。然而，建模过程需要寻找对因变量最具有强解释力的自变量集合，也就是通过自变量选择(指标选择、字段选择)来提高模型的解释性和预测精度。指标选择在统计建模过程中是极其重要的问题。Lasso算法则是一种能够实现指标集合精简的估计方法。
Tibshirani(1996)提出了Lasso(The Least Absolute Shrinkage and Selectionator operator)算法。这种算法通过构造一个惩罚函数获得一个精炼的模型；通过最终确定一些指标的系数为零，LASSO算法实现了指标集合精简的目的。这是一种处理具有复共线性数据的有偏估计。Lasso的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而能够产生某些严格等于0的回归系数，得到解释力较强的模型。R统计软件的Lars算法的软件包提供了Lasso算法。根据模型改进的需要，数据挖掘工作者可以借助于Lasso算法，利用AIC准则和BIC准则精炼简化统计模型的变量集合，达到降维的目的。因此，Lasso算法是可以应用到数据挖掘中的实用算法。
左图可以看出岭回归选择k时很难使变量系数为0，LASSO回归选择一个k可以是多数变量系数为0
用最小角回归求多元回归中的最优解。
首先选择v2变量，可以看出v2与残差相关系数逐渐减小。（目的就是寻找残差与所有变量的向量相关系数为0，就是残差垂直于变量组成的超平面，此曲线与LASSO寻优图类似），之后v6赶上v2所有寻优方向变成了v2与v6的夹角方向了，v2与v6绘制成一条线，最后找到一个最优解。
调用R中的lars包进行存在多重共线性的变量的选择
导入数据集longley
把数据集转换为矩阵
w <- as.matrix(longley)
laa <- lars(w[,2:7],w[,1])
w[,1]表示第一列表示因变量
> laa
Call:
lars(x = w[, 2:7], y = w[, 1])
R-squared: 0.993
Sequence of LASSO moves:
GNP Year Armed.Forces Unemployed Employed Population Year Employed
Var 1 5 3 2 6 4 -5 -6
Step 1 2 3 4 5 6 7 8
Employed Year Employed Employed
Var 6 5 -6 6
Step 9 10 11 12说明：
第一步：加第一变量，第二步：加第五变量，第七步：减去第五变量
> summary(laa)
LARS/LASSO
Call: lars(x = w[, 2:7], y = w[, 1])
Df Rss Cp
0 1 1746.86 1210.0561
1 2 1439.51 996.6871
2 3 32.31 12.6400
3 4 23.18 8.2425
4 5 22.91 10.0505
5 6 22.63 11.8595
6 7 18.04 10.6409
7 6 14.74 6.3262
8 5 13.54 3.4848
9 6 13.27 5.2974
10 7 13.01 7.1189
11 6 12.93 5.0624
12 7 12.84 7.0000cp越小越好，可以看出cp=3.4848最小，所以在第8步达到最优，所以删除5,6变量最好。
