One can also understand this phenom

One can also understand this phenomenon by viewing recursive partitioning as a stepwise regression procedure (Algorithm 1). It is in this framework that a natural solution to this problem emerges. The goal, in this context, is to find a good set of basis functions for the approximation. The final model is then obtained by projecting the data onto this basis. The bias associated with this procedure is just the average distrance of the true underlying function f (1) from its projection
_ onto the space spanned by the derived basis functions. The variance of the model estimate is directly proportional to the dimensionality of this space, namely the number of basis functions used. In order to achieve good accuracy (small bias and variance) one must derive a small set of basis functions that are close to the true underlying function in the above sense (small bias).

Kết quả (Việt) 1:

Ai cũng có thể hiểu hiện tượng này bằng cách xem đệ quy phân vùng như là một thủ tục stepwise hồi quy (thuật toán 1). Đó là trong khuôn khổ này mà một giải pháp tự nhiên cho vấn đề này nổi lên. Mục tiêu, trong bối cảnh này, là để tìm một bộ tốt của hàm cơ sở cho xấp xỉ. Các mô hình cuối cùng sau đó là thu được bằng cách quy hoạch các dữ liệu vào cơ sở này. Xu hướng liên kết với thủ tục này là chỉ distrance trung bình của sự thật nằm dưới hàm f (1) từ chiếu của nó _ vào không gian kéo dài của các chức năng dịch cơ sở. Phương sai của ước lượng mô hình trực tiếp tỉ lệ chiều không gian này, cụ thể là số hàm cơ sở sử dụng. Để đạt được độ chính xác tốt (thiên vị nhỏ và phương sai), một trong những phải lấy được một tập hợp nhỏ các hàm cơ sở là gần với sự thật nằm bên dưới các chức năng theo nghĩa trên (nhỏ thiên vị).

Kết quả (Việt) 2:

Một cũng có thể hiểu được hiện tượng này bằng cách xem phân vùng đệ quy như một thủ tục hồi quy bậc thang (Algorithm 1). Đó là trong khuôn khổ này là một giải pháp tự nhiên cho vấn đề này nổi lên. Mục tiêu, trong bối cảnh này, là để tìm thấy một tập tốt các chức năng cơ sở cho xấp xỉ. Các mô hình cuối cùng sau đó được thu được bằng cách chiếu các dữ liệu trên cơ sở này. Xu hướng kết hợp với thủ tục này chỉ là distrance trung bình của các chức năng cơ bản đúng f (1) từ chiếu của nó
_ vào không gian mở rộng ra bởi các hàm cơ sở có nguồn gốc. Phương sai của các ước lượng mô hình là tỷ lệ thuận với số chiều của không gian này, cụ thể là số lượng các chức năng cơ sở sử dụng. Để đạt được độ chính xác tốt (thiên vị nhỏ và phương sai) người ta phải lấy được một tập nhỏ các chức năng cơ sở đó là gần với chức năng cơ bản đúng theo nghĩa ở trên (thiên vị nhỏ).