Durum hakkında naif bir değerlendirme yapmak için:
genellikle: varsayalım iki farklı temel fonksiyonları sistemi yanı sıra bazı fonksiyonlar için (hilbert-) boşluk, olağan , yani tüm kareye entegre fonksiyonların alanı.{pn}∞n=1{p~}∞n=1L2([a,b])
Bu, iki bazın her birinin her elemanını açıklamak için kullanılabileceği anlamına gelir , yani için bazı katsayılarınız ve , ( anlamında):
L2([a,b])y∈L2([a,b])θnθ~n∈Rn=1,2,…L2
∑n=1∞θ~np~n=y=∑n=1∞θnpn.
Öte yandan, her iki temel işlev kümesini de numarasında , yani
yanı sıra bu kısaltılmış temel fonksiyon kümelerinin ikisi de "farklı kısımlarını" tanımlamaktadır .{ p n } k n = 1 { ˜ p } k n = 1 , L 2 ( [ a , b ] )k<∞
{pn}kn=1
{p~}kn=1,
L2([a,b])
Bununla birlikte, burada, bir temeli, olan diğer durumda, sadece diğer temeli, , genel tahmini her kesilmiş model için aynı olacaktır ( ve aynı boyutlu alt ). { p n } ∞ n = 1 y { p } k n = 1 k L 2 ( [ a , b ] ){p~}∞n=1{pn}∞n=1y{p}kn=1kL2([a,b])
Ancak iki "farklı" tabandan her bir bireysel temel işlevi, bu öngöre farklı bir katkı sağlayacaktır (işlevler / tahminciler farklı olduğu için!) Farklı -değerleri ve katsayıları ile sonuçlanır .p
Dolayısıyla, tahmin açısından (bu durumda) hiçbir fark yoktur.
Hesaplamalı bir bakış açısından, dikey temel fonksiyonlardan oluşan bir model matrisi, en küçük kareler tahmincisi için güzel sayısal / hesaplama özelliklerine sahiptir. İstatistiksel açıdan aynı zamanda, ortogonalizasyon , standart varsayımlar altında olduğu için ilişkisiz tahminlerle sonuçlanır .var(θ~^)=Iσ²
Doğal soru, en iyi kesilmiş bir temel sistemi varsa ortaya çıkar. Ancak sorunun cevabı ne basit ne de benzersizdir ve örneğin "en iyi" kelimesinin tanımına, yani arşivlemeye çalıştığınız şeye bağlıdır.