重剑无锋，大巧不工。

计算方法讲了好几次，但一直没有提到最关键的一个问题：数据是从哪里来的？是从天上掉下来的吗？不是。是自己头脑里固有的吗？不是。你用到的所有数据，只能从测量中来。

测量就涉及误差。无论采用多么精密的仪器，你想测量的物理量还是会受到你无法控制的外界因素的影响，其数值就会有起伏，也就是噪声。信噪比（信号与噪声的比值）是衡量某个测量系统的重要参数。

处理这种起伏的方法，经常用的有取平均值或者采用中位数，更精致一点的，还可以对它们进行加权平均（比如说用个高斯窗口什么的）。这些方法假设自己对这些起伏没有任何了解，只能相信“The lord is subtle, but not malicious.”也就是说，除了随机涨落以外，没有任何系统误差。

如果你知道待测量大致的幅度、起伏的大小，也知道测量仪器的精度，就可以用这些知识来改进测量的结果，比如说，卡尔曼滤波和锁相法。知识就是力量。

这些方法要么是时间换精度，要么是用知识求效率，总之，数据不是白来的，数值也不是完全精确的。既然如此，做数据拟合的时候，就没有必要像以前介绍的插值法那样（计算方法之推己及人），要求拟合曲线一定经过每一个数据点。不要那么执着于一城一地的得失，对某些点的微小偏离（称为“残差”），是为了实现对全体点的最大忠诚。这就是最小二乘法的原理。

假设你得到的数据是$(x_i,y_i)$，猜测的拟合曲线是$y=f(x)$。如何表示拟合曲线对全体点的最大忠诚呢？可以用最大的残差$\max _i|y_i-f(x_i)|$，也可以用全体残差之和$\sum _i |y_i-f(x_i)|$，但是都不如用残差的平方和$\sum _i (y_i-f(x_i))^2$。

用个例子来说明吧。假设你想用$y=f(x)=a+bx+cx^2$来拟合一组数据$(x_i,y_i)$，残差的平方和就是

$\delta (a,b,c)=\sum _i (y_i-f(x_i))^2=\sum _i (y_i-(a+bx_i+cx^2_i))^2$

这个函数依赖于三个拟合参数$a,b,c$，最佳拟合就是让它对这三个参数的导数都等于零，也就是说

$\frac{\partial \delta (a,b,c)}{\partial a}=0$

$\frac{\partial \delta (a,b,c)}{\partial b}=0$

$\frac{\partial \delta (a,b,c)}{\partial c}=0$

这是三个未知数的三个独立方程，而且，因为我们选择的是残差的平方和，这三个方程都是线性方程，太幸福了！很容易就可以得到三个参数的最佳值，也就得到了最佳拟合曲线。

这个方法还可以进一步改进：采用更高次数的代数多项式，采用三角函数乃至指数函数的广义多项式，采用加权系数来区别对待不同位置的数据（“看人下菜碟”）。然而，关键都在于尽可能好地测量数据、尽可能好地猜测拟合函数的形式、尽可能大度地做出妥协，才能得到最佳的结果。

当然，如果测量系统的信噪比太低，你根本就看不到信号，所有这些方法可能都没有效果。这时候，不要慌，也不要怕，你可以构建一些适当的模型，用大型计算机做出一堆模板，然后，然后去套那些看似摸不着头绪的数据。只要你运气好，还是有可能套中的。

你也许说，这种方法不就是指望着“瞎猫碰个死耗子”吗？不不不，你说错了，这种方法可不是“守株待兔”，而是有一个光鲜亮丽的称号——锦鲤吉祥！