为什么不用拉格朗日插值法来拟合一维数据?

  统计/机器学习 数值计算 回归分析 监督式学习    浏览次数:3895        分享
0

上学的时候学过拉格朗日插值法,为什么在机器学习中我们从来不用拉格朗日插值法来拟合一维数据呢?

 

玉米哈   2019-03-06 13:16



   2个回答 
7

另外一个回答里已经说了:1.计算量大;2.严重过拟合。

我们可以看下拉格朗日插值的原理。如果有$n$个样本点,$(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)$,拉格朗日多项式的次数就是$n-1$,表达式为

$$y=a_0+a_1x+a_2x^2+a_3x^3+\cdots+a_{n-1}x^{n-1}$$

也就是$n$个样本点,我们需要拟合$n$个模型参数。所以不仅计算量大,同时也严重过拟合。

下面的红色的线就是拉格朗日插值的结果。


SofaSofa数据科学社区DS面试题库 DS面经

maxroot   2019-03-11 10:35

4

因为不好:

一是计算量大

二是严重过拟合

SofaSofa数据科学社区DS面试题库 DS面经

梁静茹的勇气   2019-03-07 11:51



  相关讨论

SGD with clipping是什么意思?

线性回归有精确的解析解为什么还要用梯度下降得到数值解?

关于随机梯度下降法(SGD)的问题

计算中的截断误差是什么意思?

能不能用梯度下降法求平方根或者立方根?

怎么用牛顿法近似求解根号2?

随机梯度下降(SGD)可以被并行计算吗?

神经网络中梯度消弥的原因是什么?

adaboost做回归预测的时候,是怎么调整样本权重的?

线性回归的bagging

  随便看看

'numpy.ndarray' object has no attribute 'head'

python产生服从常用概率分布的随机数

ARIMA模型中的三个参数(p, d, q)都是什么意思?

sklearn r2_score返回负数

主成分分析法(PCA)算是黑盒算法吗?