Ich versuche zu verstehen, wie das gehtpredict.loess Funktion ist in der Lage, neue vorhergesagte Werte zu berechnen (y_hat) an Punktenx die in den Originaldaten nicht vorhanden sind. Zum Beispiel (dies ist ein einfaches Beispiel und ich erkenne, dass Löss für ein Beispiel dieser Art offensichtlich nicht benötigt wird, aber es veranschaulicht den Punkt):

x <- 1:10
y <- x^2
mdl <- loess(y ~ x)
predict(mdl, 1.5)
[1] 2.25

loess Regression funktioniert durch Verwendung von Polynomen an jedemx und so schafft es eine vorhergesagtey_hat bei jedemy. Da jedoch keine Koeffizienten gespeichert sind, sind das "Modell" in diesem Fall einfach die Details dessen, was zur Vorhersage der einzelnen verwendet wurdey_hatzum Beispiel diespan oderdegree. Wenn ich es tuepredict(mdl, 1.5), wie istpredict in der Lage, einen Wert an diesem neuen zu produzierenx? Interpoliert es zwischen zwei nächstliegendenx Werte und ihre damit verbundeneny_hat? Wenn ja, welche Details stecken dahinter?

Ich habe das gelesencloess Dokumentation online, aber ich kann nicht finden, wo es dies bespricht.