====== 拟合与逼近的区别 (Fitting vs Approximation) ======

拟合（fitting）与逼近（approximation）是数值分析中两个密切相关、却常被混用的概念。它们共享同一个数学内核，但在研究对象、误差来源、对数据的态度上存在本质区别。

===== 区别 =====
研究对象不同:
  * 拟合的输入是离散数据点$(x_i, y_i)$：一组测量值。背后可能有一个未知的真函数，但我们只能观察到离散样本，且样本带噪声。
  * 逼近的输入是一个已知函数$f(x)$：它是精确的数学对象（如 $eˣ$、$sin x$、微分方程的解）。目标是找一个容易计算的替代品 $g(x)$。

误差来源不同
  * 拟合中，数据本身带噪声：$y_i = f(x_i) + 噪声$。误差 = 噪声 + 模型偏差，两者混在一起，无法分开。
  * 逼近中没有噪声：$f$ 是精确的，误差 = 纯粹的模型偏差 $| f-g |$，可以精确度量。

对"穿过每个点"的态度相反
  * 拟合**严禁**穿过每个点——那就是过拟合，记住的是噪声而非规律。
  * 逼近**可以**要求穿过指定点（插值），但那只是逼近的一种特殊形式；且龙格现象（Runge phenomenon）证明插值不一定是好逼近。

评价方式不同
  * 拟合看**泛化能力**：对新数据（未参与拟合的点）预测是否准确，用交叉验证衡量。
  * 逼近看**逼近误差**：对目标函数的偏差，直接计算 max|f − g| 或 ∫(f − g)²dx，没有"新数据"概念——因为 f 本身就是完整已知的。

===== 共同点 =====
同一个数学框架：函数空间中的投影 \\
给定一个假设空间 $V$（多项式、样条等），找 $g \in V$ 使按某种度量离目标最近：$min ‖目标 − g‖$。拟合的目标是点集，逼近的目标是函数，数学操作完全相同。
----
同一把尺子：范数/损失函数的选择 \\

L2（整体偏差）、L∞（最大偏差）、L1（鲁棒）——两者用同一套度量，选法影响结果的方式也相同。
----
同一批工具

最小二乘、样条、切比雪夫多项式、正则化——没有哪个工具只属于拟合或只属于逼近。
----
同一个权衡：复杂度的双刃剑

拟合中模型太复杂 → 过拟合（方差大）；逼近中次数太高 → 龙格振荡。数学上同构：**自由度越多，对已知点越忠诚，对未知区域越失控**。
----
同一个隐藏目标：可计算性

两者找的 g 都必须容易计算。逼近 sin x 是为了让计算机能算它；拟合数据是为了用 g 预测或压缩信息。g 太复杂，两者都失去意义。
----
===== 统一视角 =====

拟合和逼近是同一个操作的两端：**把"已知信息"投影到"简单函数空间"**。

  * 已知信息是有限个带噪声的点 → 拟合
  * 已知信息是一个完整函数 → 逼近
  * 已知信息是一个微分方程（隐式定义的函数）→ 数值解（如有限元），本质仍是逼近

区别只在目标对象长什么样、有没有噪声，内核始终是那个投影问题。这也解释了实际工作中两者经常混用：工程师拿到离散测量数据（拟合问题），常假设背后是某类函数，再用逼近理论分析误差上界——**拟合的实践，逼近的理论**。

{{tag>数学 数值分析 数值逼近}}