less przewidywać z nowymi wartościami x
Próbuję zrozumieć, jakpredict.loess
funkcja jest w stanie obliczyć nowe przewidywane wartości (y_hat
) w punktachx
które nie istnieją w oryginalnych danych. Na przykład (jest to prosty przykład i zdaję sobie sprawę, że less jest oczywiście niepotrzebny dla przykładu tego rodzaju, ale ilustruje ten punkt):
x <- 1:10
y <- x^2
mdl <- loess(y ~ x)
predict(mdl, 1.5)
[1] 2.25
loess
regresja działa przy użyciu wielomianów na każdymx
a zatem tworzy przewidywanąy_hat
w każdymy
. Ponieważ jednak nie zapisuje się współczynników, „model” w tym przypadku jest po prostu szczegółem tego, co zostało użyte do przewidywania każdegoy_hat
, na przykładspan
lubdegree
. Kiedy robiępredict(mdl, 1.5)
, jak jestpredict
w stanie wygenerować wartość w tym nowymx
? Czy to interpoluje między dwoma najbliższymi istniejącymix
wartości i związane z nimiy_hat
? Jeśli tak, jakie są szczegóły tego, jak to robi?
Przeczytałemcloess
dokumentacji online, ale nie mogę znaleźć miejsca, w którym to omawia.