Interpolation används för att förutsäga värden som finns inom en datamängd, och extrapolering används för att förutsäga värden som faller utanför en datamängd och använda kända värden för att förutsäga okända värden. Ofta är interpolation mer tillförlitlig än extrapolering, men båda typerna av förutsägelser kan vara värdefulla för olika ändamål.
Vad är syftet med extrapolering?
Extrapolering är en uppskattning av ett värde baserat på att förlänga en känd sekvens av värden eller fakta bortom det område som säkert är känt. I en allmän mening är att extrapolera att sluta sig till något som inte uttryckligen anges från befintlig information.
Varför använder vi interpolation?
I korthet är interpolation en process för att bestämma de okända värden som ligger mellan de kända datapunkterna. Den används mest för att förutsäga okända värden för alla geografiskt relaterade datapunkter som bullernivå, nederbörd, höjd och så vidare.
Varför är interpolering mer exakt?
Av de två metoderna är interpolation att föredra. Det beror på att vi har större sannolikhet att få en giltig uppskattning. När vi använder extrapolering gör vi antagandet att vår observerade trend fortsätter för värden på x utanför det intervall som vi använde för att bilda vår modell.
Vilken är den mest exakta interpolationsmetoden?
Radial Basis Funktionsinterpolation är en mångfaldig grupp av datainterpolationsmetoder. När det gäller förmågan att passa dina data och producera en slät yta, anses Multiquadric-metoden av många vara den bästa. Alla Radial Basis Function-metoderna är exakta interpolatorer, så de försöker respektera dina data.
