Smoothing Techniques: With Implementation in S

نویسنده سعی کرده است کتابی ارائه دهد که مقدمه‌ای غیر فنی در حوزه تخمین تابع رگرسیون و چگالی ناپارامتریک ارائه می‌کند. کاربرد این روش ها از نظر محیط محاسباتی S مورد بحث قرار می گیرد. هموارسازی در ابعاد بالا با مشکل پراکندگی داده ها مواجه است. یکی از ویژگی‌های اصلی هموارسازی، میانگین‌گیری نقاط داده در یک محله تعیین‌شده، در ابعاد بزرگ‌تر از سه اگر فقط صد نقطه داده داشته باشیم، واقعاً عملی نیست. مدل‌های افزودنی راهی برای خروج از این معضل فراهم می‌کنند. اما، برای تعاملی بودن و بازگشتی بودن، به الگوریتم های بسیار موثر نیاز دارند. برای این منظور، روش WARPing (میانگین وزنی با استفاده از نقاط گرد) با جزئیات کامل شرح داده شده است.

The author has attempted to present a book that provides a non-technical introduction into the area of non-parametric density and regression function estimation. The application of these methods is discussed in terms of the S computing environment. Smoothing in high dimensions faces the problem of data sparseness. A principal feature of smoothing, the averaging of data points in a prescribed neighborhood, is not really practicable in dimensions greater than three if we have just one hundred data points. Additive models provide a way out of this dilemma; but, for their interactiveness and recursiveness, they require highly effective algorithms. For this purpose, the method of WARPing (Weighted Averaging using Rounded Points) is described in great detail.