拟合算法

样本点多余30个时，用拟合而不用插值算法。

 

定义：

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）。

什么时候用插值，什么时候用拟合？

当样本点n大于30时，成为大样本数据，此时用拟合。大样本的情况下可以用中心极限定理和大数定律，数据的正态性就能得到满足，还能得到它的置信区间。

所以样本点比较多的时候，优先选择拟合。

拟合算法步骤：

先画出样本数据散点图，直到大概趋势，然后选择不同的拟合函数进行拟合，最后评价这些拟合函数的好坏，选择出最好的拟合函数。

分析：

怎么求得使损失最小的k和b呢？

在求极值求偏导，再求二阶导数大于0还是小于0判断是极大值还是极小值，因此用(yi-yi^)^2来表示误差比较容易求导。

拟合值与真实值的差的平方和最小就是最小二乘法的思想。

这里是用线性函数作为拟合函数，求偏导求k和b比较容易，但是若是复杂的函数如指数函数作为拟合函数，用求偏导方法求拟合函数的参数就会很复杂，可能就要用到极大似然估计来求。（matlib中有对应的函数，直接调用即可）

当拟合函数很复杂（指数函数、三角函数）时，求偏导方法失效，就要用到优化算法（智能算法），求最小二乘法，找到最小的点。

如何评价拟合的好坏：

拟合优度（可决系数）R^2，但只适用于线性函数（线性函数是只拥有一个变量的一节多项式函数）。

SSE误差平方和，适合所有拟合函数好坏评价。

 

转载于:https://www.cnblogs.com/wisir/p/11541533.html