resolve szcf-weiya#179

clingsii · Feb 25, 2019 · 4b864b5 · 4b864b5
1 parent 717b51b
commit 4b864b5
Show file tree

Hide file tree

Showing 2 changed files with 7 additions and 1 deletion.
diff --git a/docs/03-Linear-Methods-for-Regression/3.3-Subset-Selection.md b/docs/03-Linear-Methods-for-Regression/3.3-Subset-Selection.md
@@ -28,7 +28,12 @@
 
 ## 向前和向后逐步选择
 
-与其搜索所有可能的子集（当 $p$ 大于 40 不可行），我们可以寻找一个很好的通过它们的途径。**向前逐步选择 (Forward-stepwise selection)** 从截距开始，然后向模型中依次添加最大程度提升拟合效果的预测变量。有大量的备选预测变量时，会需要大量的计算；然而，聪明的更新算法可以利用 QR 分解从当前拟合快速得到下一步的备选预测变量（[练习 3.9](https://github.com/szcf-weiya/ESL-CN/issues/179)）。类似最优子集回归，向前逐步产生由 $k$ 索引的模型序列，$k$ 为子集规模，也是必须要确定的值。
+与其搜索所有可能的子集（当 $p$ 大于 40 不可行），我们可以寻找一个很好的通过它们的途径。**向前逐步选择 (Forward-stepwise selection)** 从截距开始，然后向模型中依次添加最大程度提升拟合效果的预测变量。有大量的备选预测变量时，会需要大量的计算；然而，聪明的更新算法可以利用 QR 分解从当前拟合快速得到下一步的备选预测变量（[练习 3.9](https://github.com/szcf-weiya/ESL-CN/issues/179)）。
+
+!!! info "weiya 注：Ex. 3.9"
+    已解决，详见 [Issue 179: Ex. 3.9](https://github.com/szcf-weiya/ESL-CN/issues/179)。简单说，假设当前残差为 $\r$，下一步选择的 $\x_i$ 能够最大化 $\vert \r^T\x_i \vert/\Vert \x_i\Vert$.
+
+类似最优子集回归，向前逐步产生由 $k$ 索引的模型序列，$k$ 为子集规模，也是必须要确定的值。
 
 向前逐步选择是 **贪心算法 (greedy algorithm)**，产生一个嵌套的模型序列。从这点来看与最优子集选择相比似乎是次优的。然而，有许多原因表明向前逐步可能是更好的：
 

diff --git a/docs/js/mathjax.js b/docs/js/mathjax.js
@@ -28,6 +28,7 @@ window.MathJax = {
 
       y: "{\\mathbf{y}}",
       f: "{\\mathbf{y}}",
+      r: "{\\mathbf{r}}",
       x: "{\\mathbf{x}}",
       z: "{\\mathbf{z}}",
       u: "{\\mathbf{u}}",