fix issue in comment #264 (comment)

Author: szcf-weiya

docs/06-Kernel-Smoothing-Methods/6.4-Structured-Local-Regression-Models-in-Rp.md

@@ -5,8 +5,6 @@
 | 翻译   | szcf-weiya                               |
 | 发布 | 2016-09-30 |
 | 更新|{{ git_revision_date }}|
-| 状态| Done|
-
 
 当维度与样本大小的比率不是很好，则局部回归对我们没有太大帮助，除非我们想要对模型做出一些结构化的假设．这本书的很多部分是关于结构化回归和分类模型的．这里我们关注一些与核方法直接相关的方法．
 

docs/06-Kernel-Smoothing-Methods/6.7-Radial-Basis-Functions-and-Kernels.md

@@ -5,8 +5,6 @@
 | 翻译   | szcf-weiya                               |
 | 发布 | 2017-03-09 |
 | 更新 | {{ git_revision_date }} |
-| 状态 | Done|
-
 
 在第五章中，函数表示成基函数展开的形式：$f(x)=\sum_{j=1}^M\beta_jh_j(x)$．使用基函数展开进行灵活建模的技术有两部分构成，首先需要选取合适的基函数族，然后通过选择、正则化、或者两者都有的方法来控制表达式的复杂度．有些基函数族的元素是局部定义的，比如，B 样条在 $\IR$ 中局部定义．如果在特定区域中需要更多的灵活性，这个区域则需要用更多的基函数来表示（对于 B 样条，也就是需要更多结点）．$\IR$ 局部基函数的张量积构成了 $\IR^p$ 中的局部基函数．不是所有的基函数都是局部的——举个例子，对于样条的截断幂基，或者在神经网络中使用的 S 型基函数 $\sigma(\alpha_0+\alpha x)$（见 [第 11 章](../11-Neural-Networks/11.1-Introduction/index.html)）．虽然如此，复合函数 $f(x)$ 也可以显示出局部行为，因为参数的特定符号和值造成全局影响的抵消．举个例子，对于同样的函数空间截断幂基有等价的 B 样条基；这种情况下恰恰就是因为抵消．
 
@@ -33,12 +31,12 @@ $$
 \underset{\{\lambda_j,\xi_j,\beta_j\}_1^M}{\min}\sum\limits_{i=1}^N\left(y_i-\beta_0-\sum\limits_{j=1}^M\beta_j\exp\left\{-\frac{(x_i-\xi_j)^T(x_i-\xi_j)}{\lambda_j^2}\right\}\right)^2\tag{6.29}
 $$
 
-​这个模型一般称为 RBF 网络，这是 S 型神经网络的替代选择，将在 [第 11 章](../11-Neural-Networks/11.1-Introduction/index.html) 讨论；$\xi_j$ 和 $\lambda_j$ 在参数中有重要作用．这个准则是有着多重局部最小点的非凸函数，并且优化的算法类似神经网络中的算法．
+​这个模型一般称为 RBF 网络，这是 S 型神经网络的替代选择，将在 [第 11 章](../11-Neural-Networks/11.1-Introduction/index.html) 讨论；$\xi_j$ 和 $\lambda_j$ 起到权重的作用．这个准则是有着多重局部最小点的非凸函数，并且优化的算法类似神经网络中的算法．
 
-- 分开估计 $\\{\lambda_j,\xi_j\\}$ 和 $\beta_j$．给定前者，后者的估计是简单的最小二乘问题．通常单独用 $X$ 的分布，以非监督的方式选择核参数 $\lambda_j$ 和 $\xi_j$．其中一种方式是在给定中心 $\xi_j$ 和缩放 $\lambda_j$ 时，对训练 $x_i$ 拟合高斯混合密度模型．一种特别的方式是使用聚类方法来确定原型 $\xi_j$，并且将 $\lambda_j=\lambda$ 看成是超参数．这些方式的显然缺点是条件分布 $\Pr(Y\mid X)$ 以及 $\E(Y\mid X)$ 对于 where the action is concentrated 是不起作用的．不过它们的优点是，可以更简单地实现．
+- 分开估计 $\\{\lambda_j,\xi_j\\}$ 和 $\beta_j$．给定前者，后者的估计是简单的最小二乘问题．通常单独用 $X$ 的分布，以非监督的方式选择核参数 $\lambda_j$ 和 $\xi_j$．其中一种方式是对训练 $x_i$ 拟合高斯混合密度模型，这样可以得到中心 $\xi_j$ 和缩放 $\lambda_j$．其它更**临时 (adhoc)** 的方式是使用聚类方法来确定原型 $\xi_j$，并且将 $\lambda_j=\lambda$ 看成是超参数．这些方式的显然缺点是条件分布 $\Pr(Y\mid X)$ 以及 $\E(Y\mid X)$ 在决定“主要作用集中在哪儿 (where the action is concentrated)” 时没有任何发言权．不过它们的优点是，可以更简单地实现．
 
-!!! question "weiya 注：翻译相关"
-    原文的 **不起作用 (having no say)** 后面用 "in where the action is concentrated" 进行了修饰，但是不太清楚 "action" 是指什么，以及修饰语想表达什么？
+!!! note "weiya 注："
+    因为这些方式只用到 $X$ 的信息来决定 $\lambda_j$ 和 $\xi_j$，所以最后说它们的缺点是没有用到 $Y$ 的信息。
 
 ![](../img/06/fig6.16.png)