《人工智能数学基础》第7章 插值与回归.pptx

第7章 插值与回归 7.1 插值7.1.1最近邻插值7.1.2 线性插值7.1.3 抛物性插值7.1.4拉格朗日插值7.1.5各类插值法的比较7.1.6 二维插值7.2 回归7.2.1 线性回归7.2.2 多项式回归7.2.3 非线性回归实验七 回归与预测本章主要内容 7.1 插值 在人工智能应用领域，常用函数来表示某种内在规律的数量关系，这些函数是多种多样的，其中一部分函数是通过实验或观测得到的。但在某个实际问题中，虽然可以断定所考虑的函数在区间上是存在的，有的还是连续的，但却难以找到它的解析表达式，只能得到上一系列点的函数值。通过这些观测点的取值情况直接求出其它一些点上的函数值可能是非常困难的。 此时为了研究函数的变化规律以及求出不在表上的函数值，可根据给定的观测点取值来构造一个既能反映函数的特性，又便于计算其他点处的简单函数作为的近似。这即为插值问题。 7.1.1最近邻插值 最简单的插值方法是找到最近的数据值，并分配相同的值，称为分段插值，也称为最近邻插值。 7.1.2 线性插值 【例7-1】在[0,1]区间进行线性插值Pandas中有个非常重要的线性插值函数interpolate() 。nan表示缺值。【程序代码】import pandas as pdimport numpy as np#一数值中缺两个值da=pd.DataFrame(data=[0