alle nameref überdacht.

chapters/Kernel_Methods/Kernel-Regression.tex

@@ -1,6 +1,6 @@
 \chapter{Kernel-Regression}%
 \label{cha:Kernel-Regression}
-Die Kernel Regression ist das Äquivalent der Linear \nameref{sub:Ridge Regression} (\cref{sub:Ridge Regression}),
+Die Kernel Regression ist das Äquivalent der Linear \dref{sub:Ridge Regression},
 weshalb es auch oft als Kernel Ridge Regression bezeichnet wird.
 Die Linear Ridge Regression ist allerdings für den linearen Feature Space gedacht
 und lässt sich nicht direkt in einem Feature Space mit unendlicher Dimension anwenden.
@@ -37,7 +37,7 @@ Die Lösung der Kernel Ridge Regression wird daher gegeben durch:
 
 \section{Selecting the hyper-parameters}%
 \label{sub:Selecting the hyper-parameters}
-Die Auswahl der passenden Hyperparameter (z.B. \nomsym{variance} für den \nameref{sub:Gaussian Kernel}) ist ein Model Selection Problem (\cref{cha:Model Selection}).
+Die Auswahl der passenden Hyperparameter (z.B. \nomsym{variance} für den \dref{sub:Gaussian Kernel}) ist ein Model Selection Problem (\cref{cha:Model Selection}).
 \begin{figure}[H]
     \centering
     \includegraphics[width=0.5\textwidth]{gaussian_kernel_model_selection.png}