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.