本文介绍了在数据嘈杂时如何通过平滑曲线揭示数据趋势和结构。样条函数和局部平滑方法是两种常用技术，它们通过低阶多项式逼近数据，调整平滑性和准确性之间的平衡。样条函数注重整体平滑，而局部加权平滑关注局部细节。文章探讨了样条函数的构造过程和优化目标，以及一阶线性平滑的应用。
当数据嘈杂时，我们更关心的是确定数据是否显示出有意义的关系，而不是建立精确的字符。看到这一点，它往往是有助于找到一个平滑的曲线表示的噪声数据集。数据的趋势和结构可能比从点云更容易从这样的曲线中看到。
这两种方法都是通过一个小邻域（即局部）的低阶多项式（即至多立方）来逼近数据。诀窍是将各种局部近似串在一起形成一条光滑曲线。这两种方法都包含一个可调节的参数，控制曲线的“刚度”：曲线越硬，出现的越平滑，但它能跟踪个别数据点的精度就越低。在平滑方法中，在平滑性和准确性之间找到正确的平衡是主要的挑战。
样条函数是由分段多项式函数（通常是立方）组成的，它们以光滑的方式连接在一起。除了每个节点的局部光滑性要求外，样条函数还必须通过优化泛函来满足全局光滑条件：
这里的（t）是样条曲线，&#
4173
4428
3522
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
