樣本點多余30個時，用擬合而不用插值算法。
定義：
與插值問題不同，在擬合問題中不需要曲線一定經過給定的點。擬合問題的目標是尋求一個函數（曲線），使得該曲線在某種准則下與所有的數據點最為接近，即曲線擬合的最好（最小化損失函數）。
什么時候用插值，什么時候用擬合？
當樣本點n大於30時，成為大樣本數據，此時用擬合。大樣本的情況下可以用中心極限定理和大數定律，數據的正態性就能得到滿足，還能得到它的置信區間。
所以樣本點比較多的時候，優先選擇擬合。
擬合算法步驟：
先畫出樣本數據散點圖，直到大概趨勢，然后選擇不同的擬合函數進行擬合，最后評價這些擬合函數的好壞，選擇出最好的擬合函數。
分析：
怎么求得使損失最小的k和b呢？
在求極值求偏導，再求二階導數大於0還是小於0判斷是極大值還是極小值，因此用(yi-yi^)^2來表示誤差比較容易求導。
擬合值與真實值的差的平方和最小就是最小二乘法的思想。
這里是用線性函數作為擬合函數，求偏導求k和b比較容易，但是若是復雜的函數如指數函數作為擬合函數，用求偏導方法求擬合函數的參數就會很復雜，可能就要用到極大似然估計來求。（matlib中有對應的函數，直接調用即可）
當擬合函數很復雜（指數函數、三角函數）時，求偏導方法失效，就要用到優化算法（智能算法），求最小二乘法，找到最小的點。
如何評價擬合的好壞：
擬合優度（可決系數）R^2，但只適用於線性函數（線性函數是只擁有一個變量的一節多項式函數）。
SSE誤差平方和，適合所有擬合函數好壞評價。
