2018

6.3 ℝᵖ 上的局部回归
第 200-201 页。虽然从方法上很容易将局部回归推广到高维空间，但由于维数灾难，边界问题变得更严重。局部多项式回归可以自动消除边界上的偏差，但高于三维的数据也很难可视化，而可视化是平滑方法的主要目的。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.4 ℝᵖ 上的结构化局部线性回归模型
第 201-205 页。对模型的结构加以限制，是处理维数灾难的一个方式。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.5 局部似然和其他模型
第 205-208 页。只要可以对样本加权，任意的参数模型都可以用在局部模型中。局部拟合可以比较有效地探测到数据中的非线性关系。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.6 核密度估计与分类问题
第 208-211 页。核密度估计是一种无参数估计方法，其思路与局部回归类似。基于密度函数的估计，以及极其简化的假设，朴素贝叶斯分类器却通常可以达到很好的效果。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.7 径向基函数与核函数
第 212-214 页。基函数展开的方法的灵活性在于大量的基函数，核函数方法的灵活性在于局部性，径向基函数则结合了上述两者。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
6.8 密度估计的混合模型与分类问题
第 214-215 页。高斯混合模型也可被看作核方法的一种，可以得到单个样本服从每个成分分布的概率。虽然算法本身没有用到分类标签信息，但用阈值将样本根据其分布分组，所产生的分类错误率与线性对数几率回归一致。
王冠嵩
最近更新于 2022-06-08 统计学习基础（译注）
6.9 关于计算量
第 216 页。
王冠嵩
最近更新于 2022-06-15 统计学习基础（译注）
7.2 偏差、方差和模型复杂度
第 219-223 页。本节介绍模型选择和评估的一般性概念。在理想情况下，一般将数据分为训练集、验证集和测试集，分别用来拟合模型、选择模型和评估最终模型。其中选择模型和评估模型都基于模型的测试误差，而不是训练误差。
王冠嵩
最近更新于 2022-06-10 统计学习基础（译注）
7.3 偏差和方差分解
第 223-228 页。用理论分析、图示和实例展示一个模型与真实函数之间差异的分解。其中的偏差和方差通常是此消彼涨的关系。由于 0-1 损失的离散性，其预测误差的表现与平方误差损失不同。
王冠嵩
最近更新于 2022-06-13 统计学习基础（译注）
7.4 训练误差率中的乐观值
第 228-230 页。更详细地描述了衡量模型的几种不同的“误差”。训练误差会低估泛化误差，其差距被定义为“乐观值”。其原因不止是样本外与样本内的差别，即使在样本内，乐观值也会随着模型的拟合程度而变化。
王冠嵩
最近更新于 2022-06-13 统计学习基础（译注）