插值与拟合的差别：
插值算法中，得到的多项式f(x)要经过所有样本点。但是如果样本点太多，那么这个多项式次数过高，会造成龙格现象。
尽管我们可以选择分段的方法避免这种现象，但是更多时候我们倾向于得到一个确定的曲线，尽管这条曲线不能经过每一个样本点，但是只要保证误差足够小即可。
拟合算法：与插值算法不同，在拟合问题中不需要曲线一定经过给定的点，拟合问题的目标是寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）。
什么时候用插值什么时候用拟合？
当样本比较大的时候（一般样本n大于30），用拟合，但是当样本n比较小的时候用插值。
一个小栗子
编写代码绘出散点图，进而观察数据进行拟合。
根据散点图，确定拟合曲线。假设我们的拟合曲线为y=kx+b;
但是当k和b取何值时，样本点和拟合曲线最为接近。
但是我们如何去定义这个接近呢？两种定义方法如下：
y^是拟合值。
以上所有点到直线的距离最小，来使得k,b最小。
上面第一种定义有绝对值，不容易求导，因此计算比较复杂。所以在实际中我们往往使用的是第二种定义，第二种定义也就是最小二乘的思想，也就是真实值和拟合值的所有的差值之和最小。
那么如何求解最小二乘呢？
如何评价拟合的好坏呢？
证明SST=SSE+SSR
R的平方越接近1，说明误差平方和越接近0，误差越小，说明拟合越好。
注意：R的平方只能用于拟合函数是线性函数时，拟合结果的评价。线性函数和其他函数（指数函数）比较拟合的好坏，直接看SSE即可。R的平方可能是负数。
使用拟合工具箱来进行拟合。
在窗口中输入cftool，打开拟合工具箱。
评价拟合模型的好坏：
主要
1.看指数平方和：SSE的值越小越好。
2.拟合的简洁性原则。就是尽量保证拟合的函数简洁更好。
具体过程如图：
自己模拟数据进行演示：
