插值与拟合
插值与拟合都是在“已知离散数据”与“需要连续关系或预测”之间架桥，但目标不同：插值要求曲线严格穿过给定点；拟合允许点不完全落在曲线上，而追求整体误差最小。分清这一点，是选型的第一步，也是论文里最容易写混的概念之一。
从信息角度看：插值假定节点几乎无噪声、每个点都“必须尊重”；拟合假定数据含误差，模型只抓住可重复的结构。选错会直接导致过拟合噪声或在关键节点上出现不可接受的偏差。
这一门类解决什么问题
建模中常见需求包括：
- 实验只测了若干节点，却要估计节点之间的数值；
- 传感器采样不均匀，需要重采样到统一网格；
- 已知机理形式（直线、指数、饱和曲线），要用数据估计参数；
- 在噪声较大时，避免插值放大噪声，改用平滑拟合；
- 为后续优化、积分、作图提供可计算的函数代理；
- 在查表、分位点、数值实验输出之间构造光滑桥梁。
经验法则：
- 数据几乎无噪声且必须过点 → 插值；
- 数据含测量误差或 远大于参数个数 → 拟合；
- 既要过点又要降噪 → 通常不成立，需平滑样条或分阶段处理。
如何选择方法
| 问题信号 | 优先考虑 |
|---|---|
| 相邻点之间简单过渡，只要连续 | 分段线性插值 |
| 需要光滑曲线，二阶导数连续 | 三次样条插值 |
| 需要局部支撑、灵活控制光滑度 | B 样条 |
| 关系近似线性、要估计斜率截距 | 线性最小二乘 |
| 弯曲趋势但无强机理模型 | 多项式拟合（阶数克制） |
| 参数非线性进入模型（指数、Logistic 等） | 非线性最小二乘（L-M 等） |
补充原则：
- 高次全局多项式容易 Runge 振荡，一般不如样条；
- 过拟合与欠拟合要用残差、验证集或信息准则权衡；
- 外推（超出数据范围）风险远高于内插，必须单独论证；
- 需要保单调/保形时，考虑
pchip等，而不是硬上三次样条。
推荐学习顺序
- 分段线性插值：建立“节点—区间—局部公式”直觉；
- 三次样条：理解连续性条件与端点条件；
- B 样条：认识基函数与局部修改性质；
- 线性最小二乘与多项式拟合：法方程、设计矩阵、正则化直觉；
- 非线性最小二乘：Gauss-Newton / Levenberg-Marquardt 与初值敏感性。
练习建议：同一组含噪点，分别做插值与拟合，对比曲线与验证误差，把差异写进笔记。
与其他门类的关系
- 数值积分（13）：对插值多项式积分即牛顿—科特斯公式；
- 回归预测（04/08）：线性/非线性最小二乘是统计回归的计算核；
- 优化（02）：非线性拟合本质是优化问题；
- 数据预处理（01）：异常点会同时毁掉插值与最小二乘。
使用提醒
- 先画散点图，再决定插值还是拟合、线性还是非线性；
- 报告误差时写明是插值余项、RMSE、还是交叉验证误差；
- 对物理量注意单调性、非负性等约束；
- MATLAB 中
interp1、spline、polyfit、lsqcurvefit应理解假设后再用； - 写论文时给出适用区间，避免把外推结果伪装成内插精度。
论文表述检查清单
- 明确写了“插值”还是“拟合”
- 节点/样本来源与是否含噪声
- 阶数、端点条件或基函数选择理由
- 误差定义与验证方式
- 是否讨论外推风险
进入具体方法页后，建议结合示例数据亲手改节点、噪声与阶数，观察曲线如何变化。能讲清“为什么这条曲线可信”，比会调用一个拟合函数更重要。
小结式提醒
插值求“过点连续化”，拟合求“结构概括”。先画散点，再选方法；先内插，慎外推；先低阶，再复杂。把误差定义与适用区间写进论文，比单纯展示光滑曲线更重要。