给定一个区间上的函数的一些等距数据,我们可以使用线段(如下图所示)、二次函数、各种三次方案和越来越高阶的多项式来使用这些等距数据来逼近函数。

对于我在上图中作为示例显示的线性方案,如,近似误差也接近于零,所以我们说该方案是“收敛的”。
但一般来说,使用越来越高阶的多项式作为等间距的近似值并不能保证收敛。维基百科有一个解释说可能不会接近零,因为接近零,如果占主导地位。你能用图片在有问题的情况下展示这个吗?
给定一个区间上的函数的一些等距数据,我们可以使用线段(如下图所示)、二次函数、各种三次方案和越来越高阶的多项式来使用这些等距数据来逼近函数。

对于我在上图中作为示例显示的线性方案,如,近似误差也接近于零,所以我们说该方案是“收敛的”。
但一般来说,使用越来越高阶的多项式作为等间距的近似值并不能保证收敛。维基百科有一个解释说可能不会接近零,因为接近零,如果占主导地位。你能用图片在有问题的情况下展示这个吗?
这个问题通常被称为“龙格现象”,类似于使用傅里叶级数逼近函数时遇到的吉布斯现象。Wikipedia pages的多项式近似方案收敛,并对龙格现象有明确的讨论,并附有一张图片来展示该现象的实际作用:

来自维基百科的说明(重点是我的):红色曲线是龙格函数。蓝色曲线是一个五阶插值多项式(使用六个等距插值点)。绿色曲线是一个 9阶插值多项式(使用十个等距插值点)。在插值点,函数和插值多项式之间的误差(根据定义)为零。在插值点之间(尤其是在靠近端点 1 和 -1 的区域),函数和插值多项式之间的误差对于高阶多项式变得更糟。