数学建模系列-预测模型（三）--插值与拟合（线性回归法）

书接上文，我们今天学习预测模型的第三种方法，插值与拟合：

强调一下，预测模型和评价模型以及优化模型都有相当多overlap的地方，后续遇到同样的解法便不再赘述咯。。

分类
插值与拟合：线性回归模型，可应用于预测模型问题以及优化模型问题、评价模型中也有部分应用。一种模型建立的最经典基本方法。属于黑箱模型。

插值和拟合的区别
插值：原则上曲线要通过图像中给出的点。如果要求这个近似函数(曲线或曲面)经过所已知的所有数据点,则称此类问题为插值问题。(不需要函数表达式)

拟合:原则上不需要经过图像中的任何一个点，只要保证与各点的距离总体足够小即可。不考虑观测误差的影响。（这里提一嘴，黑箱和灰箱都希望将随机变量\delta的影响降到足够小。这也是后面要讲到的偏微分方程求解的原理，将各随机变量融合成一个正态分布。）

插值
插值的主要方法：
1.分段线性插值：
说白了就是把已知相邻的两个点连起来，预测中间的值，但是用来预测未来的值误差极大

2.三次样条插值：
底层逻辑是将两个点用柔韧的木条连接，使得插值是一条曲线，为了保证函数连续，在每一个点附近，曲率x_i^- =x_i^+。使其成为一个光滑曲线，可以显著降低月误差，但是总体不如高阶的拟合。

所谓三次样条插值就是茶织出来的曲线是三次函数，很明显，样条插值提高阶数并不能显著降低提高效果，，

matlab插值工具箱
1.分段线性、非线性插值

y = interpl