ในการประเมินสถานการณ์ที่ไร้เดียงสา:
โดยทั่วไป: สมมติว่าคุณมีฟังก์ชั่นพื้นฐานที่แตกต่างกันสองระบบเช่นเดียวกับสำหรับบางฟังก์ชัน (hilbert-) ช่องว่างปกติคือช่องว่างของฟังก์ชั่นสี่เหลี่ยมจตุรัสทั้งหมด { ˜ p } ∞ n = 1 L 2 ( [ a , b ] ){pn}∞n=1{p~}∞n=1L2([a,b])
ซึ่งหมายความว่าแต่ละฐานสองสามารถใช้เพื่ออธิบายแต่ละองค์ประกอบของคือสำหรับคุณมีค่าสัมประสิทธิ์และ , (ใน -sense):
L2([a,b])y∈L2([a,b])θnθ~n∈Rn=1,2,…L2
∑n=1∞θ~np~n=y=∑n=1∞θnpn.
อย่างไรก็ตามในทางกลับกันหากคุณตัดทอนฟังก์ชันพื้นฐานทั้งสองชุดที่จำนวนนั่นคือคุณใช้
และ ชุดนี้ตัดทอนของฟังก์ชั่นพื้นฐานเป็นอย่างมากมีแนวโน้มที่สองอธิบาย "ส่วนต่าง" ของb])k<∞
{pn}kn=1
{p~}kn=1,
L2([a,b])
อย่างไรก็ตามที่นี่ในกรณีพิเศษที่หนึ่งพื้นฐานเป็นเพียง orthogonalization ของพื้นฐานอื่นการทำนายโดยรวมของจะเหมือนกันสำหรับแต่ละรุ่นที่ถูกตัดทอน (และคู่ orthogonalized จะอธิบายมิติมิติย่อยของ ){p~}∞n=1{pn}∞n=1y{p}kn=1kL2([a,b])
แต่ฟังก์ชั่นพื้นฐานของแต่ละบุคคลจากฐานสอง "ที่แตกต่างกัน" จะให้การสนับสนุนที่แตกต่างกันไปในการทำนายครั้งนี้ (เห็นได้ชัดว่าฟังก์ชั่น / ตัวทำนายแตกต่างกัน!) ส่งผลให้ Valuesp
ดังนั้นในแง่ของการทำนายมี (ในกรณีนี้) ไม่แตกต่างกัน
จากมุมมองการคำนวณเมทริกซ์โมเดลที่ประกอบด้วยฟังก์ชันพื้นฐานมุมฉากมีคุณสมบัติเชิงตัวเลข / การคำนวณที่ดีสำหรับตัวประมาณกำลังสองน้อยที่สุด ขณะที่ในเวลาเดียวกันจากมุมมองทางสถิติผลลัพธ์ในการประมาณการแบบ orthogonalization นั้นไม่ได้มีความสัมพันธ์กันเนื่องจากภายใต้สมมติฐานมาตรฐานvar(θ~^)=Iσ²
คำถามธรรมชาติเกิดขึ้นหากมีระบบพื้นฐานที่ถูกตัดทอนที่ดีที่สุด อย่างไรก็ตามคำตอบสำหรับคำถามนั้นไม่ง่ายหรือไม่เหมือนใครและขึ้นอยู่กับความหมายของคำว่า "ดีที่สุด" นั่นคือสิ่งที่คุณพยายามจะเก็บถาวร