数值分析—我们为什么要对数据插值？（一）

       这篇博客是本人决定投身算法的开篇，将会是以一个系列存在，记录了本人在学习统计学过程中遇到的一些指标、算法，以本人浅薄的一些见解来尽量用通俗易懂的语言描述各种指标、算法的现实意义及适合的应用场景。由于学习是一个持续性的过程，所以文章发布后随着对知识的深入理解，可能会更正之前文章的一些说法，或者增加一些新的见解，如有不当之处欢迎骚扰！

       响应文章的标题，我们为什么要对数据进行插值呢？那么就要从数据本身说起。

       我们知道，应用分析、研究不管算法多么牛B，没有了数据，也只能是纸上谈兵。那么一旦我们有了数据，明确了算法，是不是意味着大功告成了呢？答案是否定的。原因就在于数据量的大小、数据的数学分布等等，我们称之为数据质量的一系列指标都制约着算法的执行效果。为了解决数据量不足的限制，插值算法就应运而生。

       我们常常会遇到这种情况，我们已经有了全市范围内100个雨量监测站点的数据，此数据表示该监测站点的降雨量，但实际需求是，我们想知道全市范围的降雨量是多少，那么有没有办法通过这100个数据知道全市的降雨情况呢？ 插值算法可以帮助你实现此需求。

     简单来说，插值的应用通常反应在两种情景下：

（1）数据量太小，需要增加数据量来提升算法的执行效果。比如机器学习、深度学习中的样本如果太少，可以用插值法得到更多的样本值。

（2）需要对某个区域的值进行预测。通过插值算法将插值点的值计算出来。

但总的来说，所有插值算法都有一个大前提就是：离插值点近的数据点对插值点影响更大，远的影响越小。

 插值可以根据其定义域来分类：在定义域内进行插值我们称之为“内插”；在定义域外插值我们称之为“外插”