插值與擬合的差別：
插值演算法中，得到的多項式f(x)要經過所有樣本點。但是如果樣本點太多，那麼這個多項式次數過高，會造成龍格現象。
儘管我們可以選擇分段的方法避免這種現象，但是更多時候我們傾向於得到乙個確定的曲線，儘管這條曲線不能經過每乙個樣本點，但是只要保證誤差足夠小即可。
擬合演算法：與插值演算法不同，在擬合問題中不需要曲線一定經過給定的點，擬合問題的目標是尋求乙個函式（曲線），使得該曲線在某種準則下與所有的資料點最為接近，即曲線擬合的最好（最小化損失函式）。
什麼時候用插值什麼時候用擬合？
當樣本比較大的時候（一般樣本n大於30），用擬合，但是當樣本n比較小的時候用插值。
乙個小栗子
編寫**繪出散點圖，進而觀察資料進行擬合。
根據散點圖，確定擬合曲線。假設我們的擬合曲線為y=kx+b;
但是當k和b取何值時，樣本點和擬合曲線最為接近。
但是我們如何去定義這個接近呢？兩種定義方法如下：
y^是擬合值。
以上所有點到直線的距離最小，來使得k,b最小。
上面第一種定義有絕對值，不容易求導，因此計算比較複雜。所以在實際中我們往往使用的是第二種定義，第二種定義也就是最小二乘的思想，也就是真實值和擬合值的所有的差值之和最小。
那麼如何求解最小二乘呢？
如何評價擬合的好壞呢？
證明sst=sse+ssr
r的平方越接近1，說明誤差平方和越接近0，誤差越小，說明擬合越好。
注意：r的平方只能用於擬合函式是線性函式時，擬合結果的評價。線性函式和其他函式（指數函式）比較擬合的好壞，直接看sse即可。r的平方可能是負數。
使用擬合工具箱來進行擬合。
在視窗中輸入cftool，開啟擬合工具箱。
評價擬合模型的好壞：
主要1.看指數平方和：sse的值越小越好。
2.擬合的簡潔性原則。就是盡量保證擬合的函式簡潔更好。
具體過程如圖：
自己模擬資料進行演示：
建模演算法筆記 擬合演算法
在插值演算法中，樣本點太多，那麼多項式的次數過高，會造成龍格現象。儘管可以用分段避免，但我們更想要獲得一條確定的曲線，即使這條曲線不能經過每乙個樣本點，但只要保證誤差足夠小就可以。arg是引數的縮寫，argmin是引數使得 裡面的最小 第一種 絕對值，可以變成第二種 二次方 1 但為什麼不是三次方，...
數學建模中擬合演算法那些事 上
插值演算法和擬合演算法的區別 插值演算法 得到的多項式f x 要經過所有樣本點.擬合演算法 得到的多項式不一定經過每乙個樣本點,但只要保證誤差足夠小即可.擬合演算法用到了最小二乘法,首先來對最小二乘法做個解釋 清風老師講解和自己理解 最小二乘法 設一些樣本點為 xi,yi 其中i 1,2,3,n 我...
數學建模 擬合演算法以及Python的三種實現方法
擬合與插值的區別 插值演算法中，得到的多項式f x f x f x 要經過所有樣本點。但是如果樣本點太多，那 麼這個多項式次數過高，會造成龍格現象。儘管我們可以選擇分段的方法避免這種現象，但是更多時候我們更傾向於得到 乙個確定的曲線，儘管這條曲線不能經過每乙個樣本點，但只要保證誤差足夠小即 可，這就...