数值逼近：插值方法与曲线拟合方法的区别

数值逼近方法：用离散数据的函数表构造某个（简单的）函数$g(x)$去逼近或代替原函数$f(x)$。

常见数值逼近方法：插值方法和曲线拟合方法等。

1. 插值方法

如果观测数据的误差较小，则可将其作为准确值来处理，即观测数据$(x,y)$和函数$f(x)$之间存在如下关系：
$$f(x_i)=y_i,(i=0,1,2,\cdots ,n)$$
因此，要构造的函数$g(x)$也应该严格满足下列关系：
$$g(x_i)=y_i,(i=0,1,2\cdots ,n)$$
则函数$g(x)$通过所有的采样点。这就给出了函数$g(x)$的一种构造约束条件。

定义1：已知函数$y=f(x)$定义在区间$[a,b]$上，在已知点$a\le x_0<x_1<x_2<\cdots <x_n\le b$处的值为$y_0,y_1,y_2,\cdots ,y_n$。如果存在一个函数$p(x)$满足插值条件，即
$$p(x_i)=y_i(i=0,1,2,\cdots ,n)$$
则称$p(x)$为$f(x)$的插值函数，$x_0,x_1,x_2,\cdots ,x_n$为插值节点，区间$[a,b]$称为插值区间，任意给定的点x称为插值点，构造插值函数$p(x)$的方法称为插值方法。特别地，若插值函数$p(x)$是一个次数不超过n的代数多项式
$$p_n(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+\cdots +a_{1}x+a_0（a为实数）$$
则称$p_n(x)$为插值多项式。这种插值方法称为多项式插值方法。

一般地，插值方法适用于观测数据的准确度和可靠性较高的场合。

2. 曲线拟合方法

如果观测数据的误差较大，不可能也没有必要将它作为准确值来处理，则只要求所构造函数$g(x)$尽可能靠近这些采样点而不要求通过这些采样点。即要求所构造的函数$g(x)$和采样点$(x_i,y_i)(i=1,2,\cdots ,n)$之间满足某种误差准则，如
$$Q=\sum _{i=1}^n{e}_i^2=\sum _{i=1}^n[(y_i-g(x_i){]}^2$$
等，使总的偏差$Q$为最小即可。按照上述要求构造函数$g(x)$的方法，就是曲线拟合方法，其中函数$g(x)$称为拟合函数。

可见，曲线拟合方法适用于观测数据本来就含有不可避免误差的场合，不要求构造的函数$g(r)$严格地通过采样点$(x_i,y_i)$，而只要求尽可能地靠近他们。为了提高拟合精度，要求提供尽可能多的采样点或观测值。