A. Selection of Kernel FunctionThe

A. Selection of Kernel Function
The predictions of the kernel regession comes from the fact
that the estimated regression function at i x is obtained by
taking a weighted average of the j y values where the weights
ij w are produced by the kernel function, K(u) . It is
concluded that the selection of smoothing parameter
(bandwidth) is much more important than the selection of
kernel function for the performance of the kernel regression
estimator (see [9] and [1] ). The kernel function, K(u) is
typically chosen to be nonnegative, symmetric about zero,
continuous and twice differentiable. Some alternative popular
kernel functions are given in the Table I.

Hasil (Bahasa Indonesia) 1:

A. macam fungsi KernelPrediksi kernel regession berasal dari faktaregresi perkiraan berfungsi di i x diperoleh denganmengambil rata-rata tertimbang y j nilai dimana beratIJ w yang diproduksi oleh fungsi kernel, K(u). Itumenyimpulkan bahwa pemilihan smoothing parameter(bandwidth) jauh lebih penting daripada pemilihankernel fungsi untuk kinerja regresi kernelpengukur (Lihat [9] dan [1]). Fungsi kernel, K(u) adalahbiasanya dipilih untuk menjadi nonnegative, simetris tentang nol,terus-menerus dan dua kali terdiferensiasi. Beberapa alternatif populerfungsi kernel diberikan dalam tabel saya.

Hasil (Bahasa Indonesia) 2:

A. Pemilihan Kernel Fungsi
Prediksi dari regession kernel berasal dari fakta
bahwa fungsi regresi diperkirakan ix diperoleh dengan
mengambil rata-rata tertimbang dari nilai-nilai jy mana bobot
ij w diproduksi oleh fungsi kernel, K (u) . Hal ini
menyimpulkan bahwa pemilihan parameter smoothing
(bandwidth) jauh lebih penting daripada pemilihan
fungsi kernel untuk kinerja regresi kernel
estimator (lihat [9] dan [1]). Fungsi kernel, K (u) adalah
biasanya dipilih untuk menjadi nonnegatif, simetris tentang nol,
terus menerus dan dua kali terdiferensialkan. Beberapa populer alternatif
fungsi kernel diberikan dalam Tabel I.