fix typo http://disq.us/p/2wrdicl

docs/06-Kernel-Smoothing-Methods/6.7-Radial-Basis-Functions-and-Kernels.md

@@ -4,7 +4,7 @@
 | ---- | ---------------------------------------- |
 | 翻译 | szcf-weiya |
 | 发布 | 2017-03-09 |
-| 更新 | 2019-10-24 18:09:35|
+| 更新 | {{ git_revision_date }} |
 | 状态 | Done|
 
 
@@ -30,12 +30,12 @@ $$
 
 - 优化关于所有参数的平方和
 $$
-\underset{\{\lambda_j,\xi_j,\beta_j\}_1^M}{\min}\sum\limits_{i=1}^M\left(y_i-\beta_0-\sum\limits_{j=1}^M\beta_j\exp\left\{-\frac{(x_i-\xi_j)^T(x_i-\xi_j)}{\lambda_j^2}\right\}\right)^2\tag{6.29}
+\underset{\{\lambda_j,\xi_j,\beta_j\}_1^M}{\min}\sum\limits_{i=1}^N\left(y_i-\beta_0-\sum\limits_{j=1}^M\beta_j\exp\left\{-\frac{(x_i-\xi_j)^T(x_i-\xi_j)}{\lambda_j^2}\right\}\right)^2\tag{6.29}
 $$
 
 ​这个模型一般称为 RBF 网络，这是 S 型神经网络的替代选择，将在 [第 11 章](../11-Neural-Networks/11.1-Introduction/index.html) 讨论；$\xi_j$ 和 $\lambda_j$ 在参数中有重要作用．这个准则是有着多重局部最小点的非凸函数，并且优化的算法类似神经网络中的算法．
 
-- 分开估计 $\\{\lambda_j,\xi_j\\}$ 和 $\beta_j$．给定前者，后者的估计是简单的最小二乘问题．通常单独用 $X$ 的分布，以非监督的方式选择核参数 $\lambda_j$ 和 $\xi_j$．其中一种方式是在给定中心 $\xi_j$ 和缩放 $\lambda_j$ 时，对训练 $x_i$ 拟合高斯混合密度模型．一种特别的方式是使用聚类方法来确定原型 $\xi_j$，并且将 $\lambda_j=\lambda$ 看成是超参数．这些方式的显然缺点是条件分布 $\Pr(Y\mid X)$ 以及 $\E(Y\mid X)$ 是不起作用的．不过它们的优点是，可以更简单地实现．
+- 分开估计 $\\{\lambda_j,\xi_j\\}$ 和 $\beta_j$．给定前者，后者的估计是简单的最小二乘问题．通常单独用 $X$ 的分布，以非监督的方式选择核参数 $\lambda_j$ 和 $\xi_j$．其中一种方式是在给定中心 $\xi_j$ 和缩放 $\lambda_j$ 时，对训练 $x_i$ 拟合高斯混合密度模型．一种特别的方式是使用聚类方法来确定原型 $\xi_j$，并且将 $\lambda_j=\lambda$ 看成是超参数．这些方式的显然缺点是条件分布 $\Pr(Y\mid X)$ 以及 $\E(Y\mid X)$ 对于 where the action is concentrated 是不起作用的．不过它们的优点是，可以更简单地实现．
 
 !!! question "weiya 注：翻译相关"
  原文的 **不起作用 (having no say)** 后面用 "in where the action is concentrated" 进行了修饰，但是不太清楚 "action" 是指什么，以及修饰语想表达什么？