補間はデータが完璧であると仮定します。現実世界では、データは不規則で揺らぎがあり、ノイズに満ちています。すべてのデータポイントを正確に一致させようとすると、真実ではなく混沌を得るだけです。今日から、厳格な正確性の要求を超え、近似の哲学へと進みます。 近似。
正確性の限界
高次の多項式はすべてのデータポイントに当てはめられますが、しばしば「ルンゲのような」振動を引き起こします。これらの激しい変動は、背後にある物理的プロセスとは全く関係ありません。 したがって、近似関数がデータと完全に一致することを要求するのは不合理です特に測定値にばらつきがある場合、これは妥当ではありません。
最適なフィットの定義：3つのノルム
近似を行うには、誤差関数 $E$ を定義する必要があります。『近さ』の測り方次第で、結果はまったく異なります：
1. ミニマックス問題 ($L_{\infty}$)
最大誤差を最小化しようとする：
$$E_{\infty}(a_0, a_1) = \max_{1 \le i \le n} \{|y_i - (a_1 x_i + a_0)|\}$$
欠点： ミニマックス法は、大きく外れたデータに対して過度に重みを割り当ててしまう傾向があります。
2. 絶対偏差 ($L_1$)
絶対差の合計：
$$E_1(a_0, a_1) = \sum_{i=1}^{n} |y_i - (a_1 x_i + a_0)|$$
欠点： 絶対値関数は原点で微分不可能であり、この連立方程式の解を解析的に求められない可能性があります。
3. 最小二乗法の優位性 ($L_2$)
数値解析の標準的手法であり、残差を二乗する：
$$E_2(a_0, a_1) = \sum_{i=1}^{n} [y_i - (a_1 x_i + a_0)]^2$$
これにより、微積分を使ってグローバル最小値を簡単に見つけられる滑らかで微分可能な曲面が生成されます。
解析的な制約
メトリクスの選択は論理と微積分のバランスです。たとえば、絶対偏差法は近似から大きく外れた点に十分な重みを与えませんが、$L_2$は大きな外れ値をペナルティとして扱いながらも、単一の逸脱データによって全体が支配されることはありません。
🎯 核心原則
近似とは、ノイズを無視して信号を見出す芸術です。点の一致から誤差の最小化へと移行することで、測定ばらつきによって隠れていた真の物理法則を再び明らかにします。