Я пытаюсь понять, как функция predict.loess
может вычислить новые предсказанные значения (y_hat
) в точках x
, которые не существуют в исходных данных. Например (это простой пример, и я понимаю, что лесс явно не нужен для примера такого рода, но он иллюстрирует точку):
x <- 1:10
y <- x^2
mdl <- loess(y ~ x)
predict(mdl, 1.5)
[1] 2.25
loess
регрессия работает с использованием полиномов в каждом x
и, таким образом, она создает предсказанный y_hat
на каждом y
. Однако, поскольку нет сохраняемых коэффициентов, "модель" в этом случае является просто деталями того, что было использовано для прогнозирования каждого y_hat
, например, span
или degree
. Когда я делаю predict(mdl, 1.5)
, как predict
может создать значение в этом новом x
? Является ли он интерполированием между двумя ближайшими существующими значениями x
и связанными с ними y_hat
? Если да, то каковы детали того, как это делается?
Я прочитал документацию cloess
онлайн, но не могу найти, где это обсуждается.