前言
前面介绍了Lagrange、Newton、Hermite插值,都能在一定问题上取得不错的结果,但是我们根据之前的插值余项公式计算,发现误差并不理想,我们还想进一步提升精度。直观上觉得,提升精度就多增加一些取值点,用更高次多项式拟合插值点。但是这种想法是错误的,存在很大的问题。我们今天分享的主要思路是剖析Lagrange、Newton插值的问题,并提出解决方案——分段低次插值与三次样条插值。
一、Runge现象
直观上我们认为,拟合的垫越多,拟合直线也越精准,这也符合机器学习的思想,数据样本越多代表数据先验概率分布越精确,求解问题就越精确。
但是对于插值问题,问题就出在数据量中,Lagrange、Newton插值的多项式次数都会随着点的增多不断增加,假设有
个数据点,则最后插值多项式次数为
,这样问题就出现了。
利用插值法构造近似函数时,为了提⾼逼近精度,经常需要增加插值节点,加密插值节点会使插值函数与被插值函数在更多节点上的取值相同,那么误差是否会随之减小呢?
答案是否定的。原因在于插值节点增多导致插值多项式的次数增⾼,⽽⾼次多项式的振荡次数增多有可能使插值多项式在非节点处的误差变得很⼤。
我们从几何上来观察一下Runge现象。
我们发现当曲线拟合上述
时,右部初始段拟合效果不错,但是越当取一些非插值点的时候,插值函数的值与原函数值得误差