数模学习（四）---拟合算法

一 Abstract

与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是去寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）

二 拟合算法

1.1 插值与拟合算法

• 插值： 得到的多项式$f(x)$需要经过所有的样本点，但是如果样本点过多，那么这个多项式的次数会过高，因而造成Runge现象
• 拟合： 尽管可以用分段取避免插值的Runge问题，但是我们实际中更倾向于得到一个确定的曲线，虽然该曲线不能经过每一个样本点，但仅需要在确定时确保其产生的误差足够小即可 （拟合的结果是得到一个确定的曲线）

1.2 例子说明

1. 先给处y和x的数据，现在需要找出y和x之间的拟合曲线
2. 处理数据可以得到如下散点图：
3. 确定拟合曲线
   设这些样本点为$(x_i,y_i),i=1,2,...,n$,我们设置得拟合曲线为$y=kx+b$
   需要解决的问题是：$k$和$b$为多少时，样本点和拟合曲线最接近
   有两种定义：
4. 第一种定义：$$\begin{gathered} {\hat{y}}_i=k{x}_i+b \\ \hat{k},\hat{b}=\underset{k,b}{\mathrm{argmin}}(\sum _{i=1}^n|y_i-{\hat{y}}_i|) \end{gathered}$$
5. 第二种定义：$$\begin{gathered} {\hat{y}}_i=k{x}_i+b \\ \hat{k},\hat{b}=\underset{k,b}{\mathrm{argmin}}(\sum _{i=1}^n(y_i- \end{gathered}$$