2018

5.4 平滑样条
第 151-156 页。平滑样条可理解为将所有样本点作为结点的自然样条，并用平滑参数控制函数的自由度。其性质可类比于岭回归对系数的收缩，从帽子矩阵的图可看出其与局部加权回归的方法类似。
王冠嵩
最近更新于 2022-09-21 统计学习基础（译注）
5.5 平滑参数的自动选择
第 156-161 页。在实际操作中，为了与其他平滑方法一致，通常指定自由度参数（而不是平滑参数）。可通过交叉验证的方法来估计最优的自由度参数。
王冠嵩
2018-10-23 统计学习基础（译注）
5.6 非参数对数几率回归
第 161-162 页。在对数几率回归中应用平滑样条方法。
王冠嵩
2018-10-24 统计学习基础（译注）
5.7 多维样条
第 162-167 页。理论上很容易将样条方法推广至多维的场景中，但维数灾难再一次降临。可以用正则化控制复杂度，另外也可以直接减少平滑样条中结点的密度。
王冠嵩
2018-10-25 统计学习基础（译注）
5.8 正则化与再生核希尔伯特空间 😱
第 167-174 页。从一般性的对正则化的损失函数求最优的框架中，理解不同的模型。本节的技术性较强，可跳过；译者的理解不足，并有几个句子没有翻译。
王冠嵩
2018-10-29 统计学习基础（译注）
5.9 小波平滑
第 174-181 页。小波平滑更适用于在时间和频率都需要局部化拟合的场景中。
王冠嵩
2018-11-16 统计学习基础（译注）
5.a 样条函数的计算 😱
第 186-189 页。
王冠嵩
2022-09-22 统计学习基础（译注）
6 核平滑方法
第 191-218 页。一个局部化的方法是在待拟合或预测的输入点处用邻域的样本点建模，而其局部化是通过权重函数，或成为核函数，来实现的。
王冠嵩
最近更新于 2022-06-14 统计学习基础（译注）
6.1 一维的核平滑器
第 192-198 页。利用核函数在局部的加权平均，可以得到一个平滑的函数拟合，但在边界附近会有较大偏差。局部回归可解决这种由于样本分布不均产生的偏差。回归的多项式级数越高，消除的偏差级数越大，但产生的方差越高。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.2 核函数窗宽的选择
第 198-199 页。窗宽的选择背后是偏差方差权衡，选择方法与第五章中对平滑样条惩罚参数类似（交叉验证）。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）