拟合算法——数学建模清风笔记

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）

插值和拟合的区别

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。

插值算法中，得到的多项式f(x)要经过所有样本点。但是如果样本点太多，那么这个多项式次数过高，会造成龙格现象。

尽管我们可以选择分段的方法避免这种现象，但是更多时候我们更倾向于得到一个确定的曲线，尽管这条曲线不能经过每一个样本点，但只要保证误差足够小即可，这就是拟合的思想。(拟合的结果是得到一个确定的曲线，尽可能接近所有样本点)

最小二乘法

原理

设样本点为(xi,yi)，i = 1,2,...,n 我们设置的拟合曲线为y = kx + b ，k和b取何值时，样本点和拟合曲线最接近

第一种定义有绝对值，不容易求导，因此计算比较复杂。所以我们往往使用第二种定义，这也正是最小二乘的思想。

为什么不用四次方？
（1）避免极端数据对拟合曲线的影响。
（2）最小二乘法得到的结果和MLE极大似然估计一致。

不用奇数次方的原因：误差会正负相消。

评价拟合好坏：拟合优度

SSE可能受到量纲的影响，所以单纯判断一个函数的拟合不能只看SSE，但比较两个函数拟合好坏时可以只看SSE

SSE相差不大时采用简单的模型

注：我们这里说的线性函数是指对参数为线性（线性于参数）。y = a + bx2也是线性函数

在函数中，参数仅以一次方出现，且不能乘以或除以其他任何的参数&#