fix in http://disq.us/p/27kzsvn

docs/06-Kernel-Smoothing-Methods/6.1-One-Dimensional-Kernel-Smoothers.md

@@ -146,7 +146,7 @@ $$
 
 为什么止步于局部线性拟合处？其实我们可以拟合任意阶 $d$ 的局部多项式拟合，
 $$
-\underset{\alpha(x_0),\beta_j(x_0),j=1,\ldots,d}{\min}\sum\limits_{i=1}^NK_\lambda(x_0,x_i)\Big[y_i-\alpha(x_0)-\sum\limits_{j=1}^d\beta_j(x_0)x_i^j\Big]\tag{6.11}
+\underset{\alpha(x_0),\beta_j(x_0),j=1,\ldots,d}{\min}\sum\limits_{i=1}^NK_\lambda(x_0,x_i)\Big[y_i-\alpha(x_0)-\sum\limits_{j=1}^d\beta_j(x_0)x_i^j\Big]^2\tag{6.11}
 $$
 解为 $\hat f(x_0)=\hat \alpha(x_0)+\sum_{j=1}^d\hat\beta_j(x_0)x_0^j$．实际上，类似 \eqref{6.10} 的表达式将告诉我们偏差仅仅有 $d+1$ 阶和更高阶的组分（[练习 6.2](https://github.com/szcf-weiya/ESL-CN/issues/148)）．图 6.5 说明了局部二次回归．局部线性拟合趋向于在真实函数的区域中有偏差，这个现象被称作 **截断山坡 (trimming the hills)** 和 **填充山谷 (filling the valleys)**．局部二次回归一般可以纠正这个偏差．