fix typo

lifeng9472 · Nov 15, 2018 · 45d308e · 45d308e
1 parent 642d23e
commit 45d308e
Showing 1 changed file with 2 additions and 2 deletions.
diff --git a/...ear-Methods-for-Regression/3.8-More-on-the-Lasso-and-Related-Path-Algorithms.md b/...ear-Methods-for-Regression/3.8-More-on-the-Lasso-and-Related-Path-Algorithms.md
@@ -10,7 +10,7 @@
 
 ## 增长的向前逐渐回归
 
-这里我们提出另外一种类似LAR的算法，这次集中在向前逐渐回归。有趣地是，理解一个灵活的非线性回归过程的努力导出了线性模型的一个新算法（LAR）。在阅读本书的第一版时，第16章的向前逐渐算法16.1，Brad Efron意识到对于线性模型，可以明确地构造出如图3.10所示的分段线性的lasso路径。这促使他提出3.4.4节介绍的LAR过程，以及这里提到的向前逐渐回归(forward-stagewise regression)的增长版本。
+这里我们提出另外一种类似LAR的算法，这次集中在向前逐渐回归。有趣地是，理解一个灵活的非线性回归过程的努力导出了线性模型的一个新算法（LAR）。在阅读本书的第一版时，第 16 章的向前逐渐算法16.1，Brad Efron 意识到对于线性模型，可以明确地构造出如图 3.10 所示的分段线性的 lasso 路径。这促使他提出 3.4.4 节介绍的 LAR 过程，以及这里提到的向前逐渐回归 (forward-stagewise regression) 的增长版本。
 
 ![](../img/03/alg3.4.png)
 
@@ -26,7 +26,7 @@
 ****
 -->
 
-考虑16.1节提出的向前逐渐boosting(forward-stagewise boosting)算法16.1的线性版本。它通过重复更新与当前残差最相关的变量的系数（乘以一个小量$\epsilon$）得到系数曲线。算法3.4给出了具体的细节。图3.19（左边）展示了前列腺癌数据中步长$\epsilon=0.01$的过程。如果$\delta_j=\langle \mathbf x_j,\mathbf r\rangle$（残差在第 $j$ 个预测变量的最小二乘系数），则这恰恰是3.3节中介绍的一般向前逐渐过程（FS）。
+考虑16.1节提出的向前逐渐boosting(forward-stagewise boosting)算法16.1的线性版本。它通过重复更新与当前残差最相关的变量的系数（乘以一个小量$\epsilon$）得到系数曲线。算法3.4给出了具体的细节。图3.19（左边）展示了前列腺癌数据中步长$\epsilon=0.01$的过程。如果$\delta_j=\langle \mathbf x_j,\mathbf r\rangle$（残差在第 $j$ 个预测变量的最小二乘系数），则这恰恰是 3.3 节中介绍的一般向前逐渐过程（FS）。
 
 ![](../img/03/fig3.19.png)