统计方法

建模插值与拟合总结，概述了在不同情况下使用不同的数学公式和统计方法进行数据拟合和插值的方法。介绍了待定系数法、拉格朗日插值法、牛顿插值法、最小二乘拟合和三次样条插值等方法的适用情况、优点和缺点。

统计方法

• 插值
  • 一维插值
    • 待定系数法
      • 数学公式
      • 适用情况
        • 数据点精确已知，无噪声
      • 优点
        • 理论严谨，结果唯一
      • 缺点
        • 高次多项式易产生龙格现象（振荡发散）
    • 拉格朗日插值法
      • 数学公式
      • 适用情况
        • 节点互不相同，数据精确
      • 优点
        • 公式简洁，无需矩阵运算。
      • 缺点
        • 计算复杂度高，不适合大数据
    • 牛顿插值法
      • 数学公式
      • 适用情况
        • 节点互不相同，数据精确
      • 优点
        • 新增节点无需重新计算全部多项式
      • 缺点
        • 计算复杂度高，数据需精确
    • 分段线性插值
      • 数学公式
      • 适用情况
        • 节点间函数变化平缓；节点需按顺序排列
      • 优点
        • 计算简单，避免高次多项式振荡
      • 缺点
        • 不光滑（一阶导数不连续）
    • 三次样条插值
      • 数学公式
        • 区间[xi,xi+1],ai,bi,ci,di为待定系数
      • 适用情况
        • 二阶导数连续，数据无噪声
      • 优点
        • 结果光滑，精度高
      • 缺点
        • 计算复杂度高，需边界条件约束
• 拟合
  • 最小二乘拟合
    • 线性最小二乘法
      • 数学公式
        • 求J的最小值
      • 适用情况
        • 1.自变量与因变量呈线性关系 2.误差项独立、同方差且服从正态分布
      • 优点
        • 计算简单，解析解直接可得
      • 缺点
        • 无法处理非线性关系；对异常值敏感
    • 非线性最小二乘拟合
      • 数学公式
        • 求J的最小值
      • 适用情况
        • 1.误差项独立、同方差且服从正态分布。 2.模型函数 f 需可微
      • 优点
        • 适用于复杂非线性关系
      • 缺点
        • 收敛速度慢，依赖初始值选择