update

code/Prototype/scripts.R

@@ -0,0 +1,2 @@
+## generate dataset
+N = 100

code/Prototype/sim13_1.Rmd

@@ -0,0 +1,16 @@
+---
+title: "R Notebook"
+output: html_notebook
+---
+
+This is an [R Markdown](http://rmarkdown.rstudio.com) Notebook. When you execute code within the notebook, the results appear beneath the code. 
+
+Try executing this chunk by clicking the *Run* button within the chunk or by placing your cursor inside it and pressing *Ctrl+Shift+Enter*. 
+
+```{r}
+plot(cars)
+```
+
+Add a new chunk by clicking the *Insert Chunk* button on the toolbar or by pressing *Ctrl+Alt+I*.
+
+When you save the notebook, an HTML file containing the code and output will be saved alongside it (click the *Preview* button or press *Ctrl+Shift+K* to preview the HTML file).

docs/13 Prototype Methods and Nearest-Neighbors/13.3 k-Nearest-Neighbor Classifiers.md

@@ -49,10 +49,23 @@ $$
 
 ## 例子： 比较研究
 
-TODO
+我们在两个模拟问题中比较了最近邻，k均值和LVQ分类器。有10个独立的特征$X_j$，每个都是[0,1]上的均匀分布。两类别的0-1目标变量由下式子定义：
+
+$$
+\begin{align}
+Y&=I(X_1\ge \frac 12);\qquad\text{problem 1: "easy"}
+Y&=I(\sign\{\prod\limits_{j=1}^3(X_j-\frac 12)\}>0);\qquad \text{problem 2: "difficult"}
+\end{align}
+\qquad (13.6)
+$$
+
+因此在第一个问题中，两个类别被超平面$X_1=\frac 12$分离开；在第二个问题中，两个类别被前三个特征定义的超立体形成了跳棋盘(checkerboard)。这两个问题的贝叶斯误差率都是0。有100个训练观测和100个测试观测。
 
 ![](../img/13/fig13.5.png)
 
+图13.5展示了最近邻、K均值和LVQ当调整参数变化的10次实现中的误分类误差的均值和标准误差。我们看到K均值和LVQ给出了几乎相近的结果。在调整参数的最优选择下，K均值和LVQ在第一个问题上都比最近邻要好，并且在第二个问题上它们表现很相似。注意到每个调整参数的最优值在不同情形是不同的。举个例子，在第一个问题中，25最近邻比1最近邻好70%，而在第二个例子中1最近邻比25最近邻好18%。这些结果强调了采用客观的、基于数据的方法的重要性，比如用交叉验证来估计调整参数的最优值（见图13.4和第7章）。
+
+
 
 ## 例子： k-最近邻和图象分类
 

yeti/base.html

@@ -94,6 +94,7 @@
 max: "{\\mathrm{max}\\;}",
 min: "{\\mathrm{min}\\;}",
 
+sign: "{\\mathrm{sign}}",
 df: "{\\mathrm{df}}",
 tr: "{\\mathrm{tr}}",