在岭回归模型中，回归系数的先验分布是()。A. 拉普拉斯分布B. 正态分布C. 正态分布与拉普拉斯的混合分布D. 指数分布

岭回归是一种用于缓解多重共线性问题的回归方法，其核心在于通过L2正则化项限制回归系数的大小。在贝叶斯框架下，正则化项对应回归系数的先验分布。正态分布的先验会导致L2正则化项，而拉普拉斯分布对应L1正则化（如Lasso回归）。因此，岭回归的回归系数先验分布应为正态分布。

岭回归通过在损失函数中添加L2正则化项 $\lambda \sum \beta_i^2$，等价于假设回归系数 $\beta$ 服从正态分布的先验。具体来说：

1. 正态分布的先验：若 $\beta \sim \mathcal{N}(0, \frac{1}{\lambda}I)$，则先验概率密度函数包含 $\exp(-\frac{\lambda}{2}\sum \beta_i^2)$。
2. 贝叶斯推导：在贝叶斯线性回归中，正则化项对应先验分布的对数形式，因此L2正则化直接对应正态分布先验。
3. 对比其他选项：
   • 拉普拉斯分布对应L1正则化（如Lasso）。
   • 混合分布和指数分布不符合岭回归的正则化形式。