二次插值法的基本思想_Lagrange、Newton、分段插值法及Python实现

点击上方“机器学习与统计学”，关注并设为“星标”

重磅干货，第一时间送达

数据分析中，经常需要根据已知的函数点进行数据、模型的处理和分析，而通常情况下现有的数据是极少的，不足以支撑分析的进行，这里就需要使用差值法模拟新的数值来满足需求。

插值法又称“内插法”，是利用函数f(x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数f (x)的近似值。

常用的插值方法有Lagrange插值、Newton插值、分段插值、Hermite插值、样条插值等等。这里我们就介绍一下最常用到的Lagrange、Newton、分段插值法及Python实现。

1、拉格朗日插值法
Lagrange插值基本思想是将待求的n次多项式插值函数pn(x)改写成另一种表示方式，再利用插值条件确定其中的待定函数，从而求出插值多项式。它是n次多项式插值，成功地用构造插值基函数的方法解决了求n次多项式插值函数问题。

一般地，若已知  在互不相同 n+1 个点  处的函数值  ( 即该函数过  这n+1个点)，则可以考虑构造一个过这n+1 个点的、次数不超过n的多项式  ,使其满足：

要估计任一点ξ，ξ≠xi,i=0,1,2,...,n,则可以用Pn(ξ)的值作为准确值f(ξ)的近似值。称式(*)为插值条件(准则)，含xi(i=0,1,...,n)的最小区间[a,b]，其中a=min{x0,x1,...,xn}，b=max{x0,x1,...,xn}。

设集合  是关于点  的角标的集合，  ，作n个多项式  。对于任意