初步选择一个好模型

我们有多种方案来对模型进行数据拟合，来得到模型的未知参数值，因此存在着一个问题，我们如何去挑选一个合适的模型。
我们先来考虑上一篇文章所讲的的模型$y = Ax^2$的适配问题。

$y = Ax^2$

对于这个模型，我们在上一篇就已经用 最小二乘法准则 和 变换后的最小二乘准则 来对其进行拟合，我们发现，两个拟合后的结果并不大一样。对于一个模型是否很好的拟合了数据的一个评估途径是 计算模型数据点与实际点的偏差。稍后我们将对几种方式获得的模型的绝对偏差进行对比。
现在我们先应用 切比雪夫近似准则 来对该模型进行数据拟合。
因为有5个数据点，该数学问题就是最小化五个数 $|r_i| = |y_i - f(x_i)|$中的最大者，我们将其记为$r$。我们需要极小化$r$，可以产生一系列线性规划约束方程，即

$$|r - r_i| \ge 0$$
对这一系列线性规划约束方程进行求解，将产生 $r = 0 28293$ 和 $A = 3.17073$。这里我们将最大绝对偏差降到了0.28293。注意，这是我们所能获得的最大绝对偏差的最小值。
现在确定了该模型 $y = Ax^2$的三个估计，那么我们要选择其中哪个呢。下表将列举三个估计的绝对偏差与实测点的 残差

$x_i$	$y_i$	$y_i - 3.1869x_i^2$	$y_i - 3.1368x_i^2$	$y_i - 3.17073x_i^2$
0.5	0.7	-0.0967	-0.0842	-0.0927
1.0	3.4	0.2131	0.2632	0.2293
1.5	7.2	0.029475	0.1422	0.0659
2.0	12.4	-0.3476	-0.1472	-0.2829
2.5	20.1	0.181875	0.4950	0.28293

接下来我们对这三个模型的偏差进行一个总结

方法	模型	$\sum [y_i - f(x_i)]^2$	$\max |y_i - f(x_i)|$
最小二乘	$y_i - 3.1869x_i^2$	0.2095	0.3476
变换后的最小二乘	$y_i - 3.1368x_i^2$	0.3633	0.4950
切比雪夫	$y_i - 3.17073x_i^2$	0.2256	0.28293

从上表中我们可以看出，每一种方法都有其优势之处。所以在我们对模型估计进行挑选的时候，我们需要去考虑模型的使用目的，实际情况所要求的精度，数据的准确性等等因素去综合考虑

车辆的停止距离

回顾车辆的停止距离的问题，我们讨论了速度和刹车距离之间的关系，得到了一个停止距离模型

$$d = 1.1v + 0.054v^2$$
现在我们利用 最小二乘准则 来对这个模型进行拟合，可得到结果为 $d = 1.104v + 0.0542v^2$，可以发现结果并没有显著的差异。
接下来我们要分析拟合结果，如下图所示。

我们可以发现，我们的模型在70mph之前都是大于实测速度，之后都是低估了停止距离，为此我们可以划出该模型的 残差图 以此来看到哪里这个模型哪里出现了问题，将残差作为一个独立变量的函数而得到的函数图即为残差图。如下图所示

在这里可以很明显的看出，在70mph之前的残差都是大于0的值，之后都小于0。而如果一个模型是完美的拟合了实际情况的话，这个模型的残差图所展现的偏差不仅小，而且应该有正有负，所以我们得到的这个停止距离的模型，并不是一个完美的模型，他无法对我们的现实生活中的停止距离进行拟合。