minor

01_intro.Rmd

@@ -57,9 +57,9 @@ Ce système s'écrit également sous forme matricielle :
 y^{(1)} \\ y^{(2)} \\ \dots \\ y^{(n)}
 \end{array} \right)
 \]
-Chaque ligne $i$ de la matrice du terme de gauche de l'égalité ci-dessus est le vecteur ligne $\mathbf{x}^{(i)T}$ avec l'addition d'un premier terme constant qui correspond au paramètre $\beta_0$. En nommant cette matrice $\mathbf{X}^T$, le système linéaire ci-dessus s'écrit :
+Chaque ligne $i$ de la matrice du terme de gauche de l'égalité ci-dessus est le vecteur ligne $\mathbf{x}^{(i)T}$ avec l'addition d'un premier terme constant qui correspond au paramètre $\beta_0$. En nommant cette matrice $\mathbf{X}$, le système linéaire ci-dessus s'écrit :
 \[
-\mathbf{X}^T \mathbf{\boldsymbol\beta} = \mathbf{y}
+\mathbf{X} \mathbf{\boldsymbol\beta} = \mathbf{y}
 \]
 Soit le cas particulier où $x$ est un scalaire et $f$ est un polynôme de degré $p$ :
 \[

index.Rmd

@@ -4,7 +4,7 @@ author: "Pierre-Edouard Portier"
 documentclass: book
 geometry: margin=2cm
 fontsize: 12pt
-date: "22 Jan 2023"
+date: "5 Mar 2023"
 toc: true
 classoption: fleqn
 bibliography: intro_to_ml.bib

pad.R

@@ -42,6 +42,9 @@
 #  krm <- krr(X.entr, Y.entr)
 #  krm.yh <- predict(krm, X.test)
 #  krm.mae <- mean(abs(krm.yh - Y.test)) # 35445.1
+#  nakrm <- nakr(X.entr, Y.entr, nb.landmarks=1600)
+#  nakrm.yh <- predict(nakrm, X.test)
+#  nakrm.mae <- mean(abs(nakrm.yh - Y.test)) # 65454.18
 #  source("15_loocv_code.R")
 #  rm <- ridge(X.entr, Y.entr)
 #  rm.yh <- predict(rm, X.test)
@@ -50,6 +53,3 @@
 #  rfm <- randomForest(X.entr, Y.entr)
 #  rfm.yh <- predict(rfm, X.test)
 #  rfm.mae <- mean(abs(rfm.yh - Y.test)) # 34229.02
-#  nakrm <- kfold.nakr(X.entr, Y.entr, nb.landmarks=500)
-#  nakrm.yh <- predict(nakrm, X.test)
-#  nakrm.mae <- mean(abs(nakrm.yh - Y.test)) # 65454.18