多重共线性数据中的OLS或岭

Question

我是统计数据和线性回归的新手。我只是想了解Ridge和OLS之间的确切场景和用法。这是我一直在使用的数据样本。

在此，权重和BSA都是高度相关的（换句话说，多重共线性）。我运行以下两个模型，

线性回归：

df = pd.read_csv('/data/bloodpress.txt', index_col=0)
input = df.drop('BP',axis=1)
output = df.BP
llr = linear_model.LinearRegression()
llr.fit(input,output)
print(llr.coef_)
print(llr.predict([[56,95.7,2.09,7.0,75,99]]))

O / P

[ 0.70325939  0.96991978  3.776491    0.06838304 -0.08448469  0.0055715 ]
[ 121.92014732]

岭：

input = df.drop('BP',axis=1)
output = df.BP
llr = linear_model.Ridge()
llr.fit(input,output)
print(llr.coef_)
print(llr.predict([[56,95.7,2.09,7.0,75,99]]))

O / P

[ 0.71980652  1.08207683  0.276536    0.0640874  -0.12182558  0.00696796]
[ 121.87298902]

当我们看到o / p OLS提供更好的解决方案时。问题是，

1）当我和Ridge一起去的时候？ 2）在这个例子中，哪个会提供更好的预测？