How to find the best fit dimension of Polynomial interpolation/curve fitting ?# Programming - 葵花宝典
s*t
1 楼
如题
谢谢
谢谢
B*s
2 楼
深紫色的茎干，叶缘带锯齿。
e*o
3 楼
【 以下文字转载自 Sex 讨论区 】
发信人: blahblah2008 (灌灌说说), 信区: Sex
标 题: 情事如烟: Houston的一场风花雪月的事[5］
发信站: BBS 未名空间站 (Sat Aug 15 21:13:02 2009, 美东)
在museum, 蓉象孩子般的开心。 突然觉得，哪个牛人说过的什么“给别人带来快乐，
自己也会快乐”之类的话，有点真理啊。反正，她的快乐真得感染了我。回想起来，我
们那时就是两个happy bugs. 呵呵。。。
在蝴蝶馆，大概她的裙子浅黄颜色吸引蝴蝶，好多蝴蝶停在她身上，她开心得象爱丽丝
进了童话仙境。幸好我随身带了数字相机，给她拍了个够。
一直玩到人家闭馆撵人，还意由未尽。
其实，我自己一个人早来过，早没了新鲜感。（我自己就是个museum goer） 可有个相
配的玩伴，还是玩得很开心。
出得馆来，我问她晚餐想吃什么？ 是不是还要上海菜？
她说，她想试试四川菜。出国前，国内时兴川菜。 她是又怕辣又想尝。问我怕不怕川
菜的辣。
我说我也喜欢川菜, 慢慢适应辣了。
她说，那得她请客，不然她就回家了。
我想她是那种挺自立，
发信人: blahblah2008 (灌灌说说), 信区: Sex
标 题: 情事如烟: Houston的一场风花雪月的事[5］
发信站: BBS 未名空间站 (Sat Aug 15 21:13:02 2009, 美东)
在museum, 蓉象孩子般的开心。 突然觉得，哪个牛人说过的什么“给别人带来快乐，
自己也会快乐”之类的话，有点真理啊。反正，她的快乐真得感染了我。回想起来，我
们那时就是两个happy bugs. 呵呵。。。
在蝴蝶馆，大概她的裙子浅黄颜色吸引蝴蝶，好多蝴蝶停在她身上，她开心得象爱丽丝
进了童话仙境。幸好我随身带了数字相机，给她拍了个够。
一直玩到人家闭馆撵人，还意由未尽。
其实，我自己一个人早来过，早没了新鲜感。（我自己就是个museum goer） 可有个相
配的玩伴，还是玩得很开心。
出得馆来，我问她晚餐想吃什么？ 是不是还要上海菜？
她说，她想试试四川菜。出国前，国内时兴川菜。 她是又怕辣又想尝。问我怕不怕川
菜的辣。
我说我也喜欢川菜, 慢慢适应辣了。
她说，那得她请客，不然她就回家了。
我想她是那种挺自立，
w*r
4 楼
俺迷信那个版，呵呵，就不在这里再发一圈了。。 ：-D
w*s
5 楼
怎么知道最优匹配的是2维，3维还是n维的曲线呢？
t*s
6 楼
没这个要求
f*g
7 楼
长相难看，野草，或者野树苗
【在 B*****s 的大作中提到】
: 深紫色的茎干，叶缘带锯齿。
【在 B*****s 的大作中提到】
: 深紫色的茎干，叶缘带锯齿。
G*Y
8 楼
2维不行的话，一般要考虑splines了
3次和高次的问题太多
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
3次和高次的问题太多
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
r*g
9 楼
cross validation.
只用一部分数据拟合，用剩下的检验。
只用一部分数据拟合，用剩下的检验。
w*s
10 楼
are you saying you cannot get the answer in 1 shot like line fit (least
square) algorithm ?
【在 r*g 的大作中提到】
: cross validation.
: 只用一部分数据拟合，用剩下的检验。
square) algorithm ?
【在 r*g 的大作中提到】
: cross validation.
: 只用一部分数据拟合，用剩下的检验。
u*x
11 楼
Regularization?
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
w*s
12 楼
any link pls ?
【在 u******x 的大作中提到】
: Regularization?
【在 u******x 的大作中提到】
: Regularization?
N*K
13 楼
鬼知道
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
N*K
14 楼
spline是个好东西
【在 G**Y 的大作中提到】
: 2维不行的话，一般要考虑splines了
: 3次和高次的问题太多
【在 G**Y 的大作中提到】
: 2维不行的话，一般要考虑splines了
: 3次和高次的问题太多
u*x
15 楼
no link. this is common knowledge
【在 w*s 的大作中提到】
: any link pls ?
【在 w*s 的大作中提到】
: any link pls ?
u*x
16 楼
also,no matter what your lost function is, didnt you validate it on hold-out
data?
【在 w*s 的大作中提到】
: any link pls ?
data?
【在 w*s 的大作中提到】
: any link pls ?
w*s
17 楼
well, if it can be mathematically proved, then i don't need to validate, do
i ?
out
【在 u******x 的大作中提到】
: also,no matter what your lost function is, didnt you validate it on hold-out
: data?
i ?
out
【在 u******x 的大作中提到】
: also,no matter what your lost function is, didnt you validate it on hold-out
: data?
w*x
18 楼
首先，你指的是order（次）而不是dimension（维）吧？维是由数据决定的，次是可选
的，比如线性（一次）、抛物线（二次）等等。
然后，次数越高肯定效果会越好，因为一次是二次的一个nested model （可以wiki一
下就明白了）。是不是值得用二次（换句话说，是不是增加的拟合效果值得多花两个系
数），可以采取F检验，也可以WIKI一下。
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
的，比如线性（一次）、抛物线（二次）等等。
然后，次数越高肯定效果会越好，因为一次是二次的一个nested model （可以wiki一
下就明白了）。是不是值得用二次（换句话说，是不是增加的拟合效果值得多花两个系
数），可以采取F检验，也可以WIKI一下。
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
u*x
19 楼
I guess we are talking about different things.
do
【在 w*s 的大作中提到】
: well, if it can be mathematically proved, then i don't need to validate, do
: i ?
:
: out
do
【在 w*s 的大作中提到】
: well, if it can be mathematically proved, then i don't need to validate, do
: i ?
:
: out
m*5
20 楼
如果没有物理模型，可以完美fit任何数据，但这又有什么意义？
所以这个一次，二次，甚至更高次，如果不是物理模型指导，可以设计实验证伪的话，
没有任何意义，越高次越没有意义
【在 w*x 的大作中提到】
: 首先，你指的是order（次）而不是dimension（维）吧？维是由数据决定的，次是可选
: 的，比如线性（一次）、抛物线（二次）等等。
: 然后，次数越高肯定效果会越好，因为一次是二次的一个nested model （可以wiki一
: 下就明白了）。是不是值得用二次（换句话说，是不是增加的拟合效果值得多花两个系
: 数），可以采取F检验，也可以WIKI一下。
所以这个一次，二次，甚至更高次，如果不是物理模型指导，可以设计实验证伪的话，
没有任何意义，越高次越没有意义
【在 w*x 的大作中提到】
: 首先，你指的是order（次）而不是dimension（维）吧？维是由数据决定的，次是可选
: 的，比如线性（一次）、抛物线（二次）等等。
: 然后，次数越高肯定效果会越好，因为一次是二次的一个nested model （可以wiki一
: 下就明白了）。是不是值得用二次（换句话说，是不是增加的拟合效果值得多花两个系
: 数），可以采取F检验，也可以WIKI一下。
w*s
21 楼
i do not understand your points, if u can put more explanations, that'll be
better ...
【在 u******x 的大作中提到】
: I guess we are talking about different things.
:
: do
better ...
【在 u******x 的大作中提到】
: I guess we are talking about different things.
:
: do
m*5
22 楼
肯定是越高次fit越好，但这没有任何意义
一般会根据复杂程度进行惩罚，但在没有物理模型指导的情况下，统计上的惩罚度只能
是经验性的，没有太大意义
说个最土的，你随机重抽样你的data pool，得到一个子样本. fit子样本以后拿去匹配
剩下的样本，看哪个fit更好。
然后多重复几次随机抽样，看fit参数是否稳定
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
一般会根据复杂程度进行惩罚，但在没有物理模型指导的情况下，统计上的惩罚度只能
是经验性的，没有太大意义
说个最土的，你随机重抽样你的data pool，得到一个子样本. fit子样本以后拿去匹配
剩下的样本，看哪个fit更好。
然后多重复几次随机抽样，看fit参数是否稳定
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
w*s
23 楼
"肯定是越高次fit越好", make sense, thanks !
【在 m********5 的大作中提到】
: 肯定是越高次fit越好，但这没有任何意义
: 一般会根据复杂程度进行惩罚，但在没有物理模型指导的情况下，统计上的惩罚度只能
: 是经验性的，没有太大意义
: 说个最土的，你随机重抽样你的data pool，得到一个子样本. fit子样本以后拿去匹配
: 剩下的样本，看哪个fit更好。
: 然后多重复几次随机抽样，看fit参数是否稳定
【在 m********5 的大作中提到】
: 肯定是越高次fit越好，但这没有任何意义
: 一般会根据复杂程度进行惩罚，但在没有物理模型指导的情况下，统计上的惩罚度只能
: 是经验性的，没有太大意义
: 说个最土的，你随机重抽样你的data pool，得到一个子样本. fit子样本以后拿去匹配
: 剩下的样本，看哪个fit更好。
: 然后多重复几次随机抽样，看fit参数是否稳定
i*i
24 楼
看书，有标准方法检验.
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
【在 w*s 的大作中提到】
: 怎么知道最优匹配的是2维，3维还是n维的曲线呢？
相关阅读
谁能科普一下Azure对小公司，创业有没有潜在的帮助？请版上的C++牛人讲一下g++的优化参数Any AutoIt Expert Here?[合集] [求助]C程序数组的问题how to convert str to double编程做共享软件的赚钱之路C语言怎样产生两个独立的随机数序列关于thread的stack[合集] C++ simple question[合集] 问个递归的问题[合集] 借问，我这样仿真的思路对不对，关于事件驱动模拟。 (转载)interface编译完了到底是什么？[合集] 请问哪位有Hilbert transform 的 C code哪位在Linux上用C＋＋碰到过memory fragmentation吗？[合集] perl 下面 TLS/SSL IMAP module??[合集] funny code I saw in work这个程序为什么不能运行?gss_wrap token sizeBarry 写了个 合集的 程序？关于C++中const的问题