数学建模（三）模型拟合

在数学建模过程中，需要根据不同目的分析数据，当问题很复杂难以建立能够解释该特殊情形的模型时，如果子模型涉及偏微分方程，并且没有封闭解的时候，那么再以此构造一个主模型时将很难得到解，这个时候就需要进行一些实验研究。
因此在分析一个数据集合时，有以下三个需要解决的任务：
1.按照一个或多个选出的模型对数据进行拟合；
2.从一些已经拟合好的类型中选择最合适的模型，即在多个模型中选取最佳模型；
3.根据收集的数据做出预测；
前两个任务中，已经存在一个或多个模型，都能近似的解释观测到的行为，第三种情形中则不存在一个解释已观测的模型，而是存在一个数据点的集合，该集合可以预测将来我们所需要的行为。
建模过程中的误差来源：
1.公式化的误差：在建模过程中忽略的一些假设条件，或者在各种子模型中描述变量间关系时过分简化，即使在最佳模型中也会有公式化误差；
2.截断误差：由于解一个数学问题时所用的数值方法，比如幂级函数展开；
3.舍入误差：由计算时所用有限小数位引起；
4.测量误差：是有数据收集过程中的不精确性引起的；

3.1用图形为数据拟合模型
假定建模者已经做了某些假定，引出了某种模型，一般模型会包括一个或多个参数，要收集足够的数据来确定这些参数，首先考虑数据的收集问题：
1.采集数据点的个数问题：采集数据的费用和模型要求的精度之间权衡，数据点至少需要与模型曲线中任意常数一样多；
2.数据点的跨度：在一定的区间中模型拟合的特别好部分数据的跨度可以大一点，而在预期模型中使用特别多的地方或者有较大变化的地方需要选取更小的跨度；
3.评估数据收集过程中的误差：在收集过程中有没有有问题的点，在修改或删除有问题点的同时，应该将一个数据点看成一个置信区间而不是一个单独的点，每一个区间的长度应该与在收集过程中的误差评估相一致；
对原始数据拟合视觉观测的模型

比如对上述数据拟合时选择模型：y=ax+b。问题就转化为如何通过数据来求出a和b，通过图中我们可以发现，当存在多个点时，所有的点不能均精确的处于某一条直线上，某一写数据点和我们给的拟合直线总是有一定的纵向偏差，我们称这些差异为绝对偏差，最佳拟合之间就是极小化这些绝对偏差的和。
3.2模型拟合的解析方法：
上一节中我们对一个数据点集合用图形拟合一条直线，所用的最佳拟合准则之一就是极小化直线到任一对应的数据点的最大距离。

**例题1：**假设有一条直线ABC此时估算AB的长度为13，BC的长度为7，而AC的长度为19，但是此次估算是有矛盾的，即AB+BC≠AC，运用切比雪夫准则来分析有：


最小二乘准则：
现在最常用的曲线拟合准则是最小二乘准则;

3.3应用最小二乘准则
假设已经确定了一个形式的模型，并且已经收集了数据并进行了分析，这一节中将用最小二乘准则来估计各种类型曲线的参数：拟合直线

当拟合幂曲线时有;


两种最小二乘方法的拟合得出的结果是不同的，如果一个方程进行变换，在变换后的变量间构成一个直线方程，变换后的方程最小二乘拟合和原方程的最小二乘拟合不是同一个，这个差异的起因就是由于所产的最优化问题是不同的：在原始问题中，寻求曲线时，是极小化原始数据的偏差的平方和，而在变换后的问题中国，极小化使用变换后的变量的偏差对的平方和。

比较三种准则：
我们考虑下列涉及直径、高度、体积和直径³的数据，希望拟合出的模型是V=KD³，分别运用三个准则：1）最小二乘 2）绝对偏差和 3）切比雪夫准则：