for pre-specified value λ > 0 . The

for pre-specified value λ > 0 . The first term in equation (2)
denotes the residual sum of the squares and it penalizes the
lack of fit. The second term which is weighted by λ denotes
the roughness penalty and it imposes a penalty on roughness.
In other words, it penalizes the curvature of the function f .
The λ in (2) is known as the smoothing parameter. As λ
varies from 0 to +∞, the solution varies from interpolation to a
linear model. As λ → +∞ , the roughness penalty dominates
in (2) and the spline estimate is forced to be a constant. As
λ→0 , the roughness penalty disappears in (2) and the
spline estimate interpolates the data. Thus, the smoothing
parameter λ plays a key role in controlling the trade-off
between the goodness of fit represented by
{ }2 ( ) n
i i
i=1
Σ y - f x and smoothnees of the estimate measured
by { }2 ( )
b
a
∫ f ′′ x dx .

Hasil (Bahasa Indonesia) 1:

untuk pra-ditentukan nilai λ > 0. Istilah pertama dalam persamaan (2)menunjukkan sisa jumlah kotak dan penalizeskurangnya cocok. Istilah yang kedua yang ditimbang oleh λ menunjukkanhukuman kekasaran dan memaksakan denda ketidakrataan.Dengan kata lain, itu penalizes kelengkungan f fungsi.Λ di (2) dikenal sebagai smoothing parameter. Sebagai λbervariasi dari 0 hingga + ∞, solusi bervariasi dari interpolasi untukLinear model. Sebagai λ → + ∞, hukuman kekasaran mendominasidi (2) dan spline memperkirakan dipaksa menjadi konstan. SebagaiΛ→0, hukuman kekasaran menghilang di (2) danperkiraan spline interpolates data. Dengan demikian, merapikanparameter λ memainkan peran kunci dalam mengendalikan trade-offantara kebaikan cocok diwakili oleh{ }2 ( ) nsaya sayaAku = 1Σ y - f x dan smoothnees dari perkiraan diukurdengan menspesifikasikan menetapkannya kedalam 2)ba∫ f ′′ x dx.

Hasil (Bahasa Indonesia) 2:

untuk pra-ditentukan nilai λ> 0. Istilah pertama dalam persamaan (2)
menunjukkan jumlah sisa kotak dan menghukum para
kurangnya fit. Istilah kedua yang ditimbang dengan λ menunjukkan
hukuman kekasaran dan membebankan denda kekasaran.
Dengan kata lain, itu menghukum kelengkungan fungsi f.
The λ di (2) dikenal sebagai parameter smoothing. Sebagai λ
bervariasi dari 0 sampai + ∞, solusi bervariasi dari interpolasi ke
model linier. Sebagai λ → + ∞, hukuman kekasaran mendominasi
di (2) dan estimasi spline dipaksa untuk menjadi konstan. Sebagai
λ → 0, hukuman kekasaran menghilang di (2) dan
estimasi spline interpolates data. Dengan demikian, smoothing
parameter λ memainkan peran kunci dalam mengendalikan trade-off
antara goodness of fit diwakili oleh
{} 2 () n
i i
i = 1
Σ y - fx dan smoothnees dari estimasi diukur
oleh {} 2 ()
b
a
∫ f '' x dx.