fixed http://disq.us/p/21c3v3z

docs/16-Ensemble-Learning/16.3-Learning-Ensembles.md

@@ -1,6 +1,6 @@
 # 16.3 学习集成
 
-| 原文   | [The Elements of Statistical Learning](../book/The Elements of Statistical Learning.pdf#page=624) |
+| 原文   | [The Elements of Statistical Learning](../book/The Elements of Statistical Learning.pdf#page=635) |
 | ---- | ---------------------------------------- |
 | 翻译   | szcf-weiya                               |
 | 时间   | 2017-09-25                               |
@@ -44,15 +44,15 @@ $$
 其中 $\gamma\in \Gamma$ 索引了 (index) $b(x;\lambda)$。举个例子，如果基函数为树，则 $\gamma$ 索引了分离变量，分离点以及终止结点里面的值。数字正交（numerical quadrature）意味着寻找 $M$ 个赋值点 $\gamma_m\in\Gamma$ 的集合，以及对应的权重 $\alpha_m$ 使得 $f_M(x)=\alpha_0+\sum\limits_{m=1}^M\alpha_mb(x;\gamma_m)$ 在 $x$ 的定义域内近似 $f(x)$。重要度采样意味着随机对 $\gamma$ 采样，但是对于空间 $\Gamma$ 的相关区域赋予更大的权重。Friedman and Popescu (2003)[^1] 建议采用损失函数 \eqref{16.9} 来衡量相关性（的缺失）：
 
 $$
-Q(\lambda)=\underset{c_0,c_1}\sum\limits_{i=1}^NL(y_i, c_0+c_1b(x_i;\gamma))\tag{16.11}
+Q(\gamma)=\underset{c_0,c_1}\sum\limits_{i=1}^NL(y_i, c_0+c_1b(x_i;\gamma))\tag{16.11}
 $$
 
 上式在训练数据上取值。
 
-如果选择了单个的基函数（比如，一棵树），则会有全局最小点 $\gamma^\*=\text{arg min}_{\gamma\in \Gamma}Q(\lambda)$。在选择$ \gamma$ 的时候引进随机性必然会得到次优值，$Q(\lambda)\ge Q(\lambda^\*)$。他们提出采样模式 $\cal S$ 的特征长度 $\sigma$ 的自然度量，
+如果选择了单个的基函数（比如，一棵树），则会有全局最小点 $\gamma^\*=\text{arg min}_{\gamma\in \Gamma}Q(\gamma)$。在选择$ \gamma$ 的时候引进随机性必然会得到次优值，$Q(\gamma)\ge Q(\lambda^\*)$。他们提出采样模式 $\cal S$ 的特征长度 $\sigma$ 的自然度量，
 
 $$
-\sigma=\E_{\cal S}[Q(\lambda)-Q(\lambda^*)]\tag{16.12}
+\sigma=\E_{\cal S}[Q(\gamma)-Q(\gamma^*)]\tag{16.12}
 $$
 
 - $\sigma$ 太窄意味着许多 $b(x;\gamma_m)$ 很接近或者近似为 $b(x;\gamma^\*)$；