Próbuję zrozumieć, w jaki sposób funkcja predict.loess
jest w stanie obliczyć nowe przewidywane wartości (y_hat
) w punktach x
, które nie istnieją w oryginalnych danych. Na przykład (jest to prosty przykład i zdaję sobie sprawę, less nie jest oczywiście potrzebna na przykład tego rodzaju, ale ilustruje punkt):less przewidywanie z nowymi wartościami x
x <- 1:10
y <- x^2
mdl <- loess(y ~ x)
predict(mdl, 1.5)
[1] 2.25
loess
prace regresji za pomocą wielomianów na każdym x
i tym samym tworzy przewidywane y_hat
przy każdym y
. Ponieważ jednak nie ma zapisanych żadnych współczynników, "model" w tym przypadku jest po prostu szczegółami tego, co było używane do przewidywania każdego z nich, na przykład span
lub degree
. Kiedy wykonuję predict(mdl, 1.5)
, w jaki sposób predict
może wytworzyć wartość w tym nowym x
? Czy interpoluje ona dwie najbliższe istniejące wartości x
i powiązane z nimi y_hat
? Jeśli tak, jakie są szczegóły tego działania?
Przeczytałem dokumentację cloess
online, ale nie mogę znaleźć, gdzie to omawia.
Interpolacja, ekstrapolacja lub jedno i drugie? Myślę, że masz na myśli tylko interpolację. – smci