局部拟合

模型拟合情况分为两种： 过拟合：模型在训练集上的表现过于理想，泛化能力较差。 拟合不足：模型在训练集上表现不佳，无法捕捉数据的规律。 理想模型应同时具有较低的训练误差和泛化误差。

MATLAB 函数中的局部变量在函数运行结束后会释放并清除。它们仅存在于函数的工作区间中，不能被其他文件访问。调用外部程序时，该程序产生的变量也会存储在函数空间中，而不是 MATLAB 的主空间中。

局部空间自相关分析方法主要包括以下三种： 空间联系的局部指标 (LISA) G 统计量 Moran 散点图

该 MATLAB 工具利用拉丁超立方体部分分层抽样方法，生成 n 维随机向量的随机样本。

MATLAB开发：局部阈值处理。使用指定的块大小对图像执行本地OTSU阈值。

局部二值化处理是一种常见的图像处理技术，特别适用于matlab代码中的实现，其中包括了Niblack方法。

拟合与统计回归：区别与联系 拟合与统计回归，两者都涉及寻找一个函数来描述数据，但侧重点有所不同。拟合更关注函数对数据的逼近程度，力求找到一个函数，使函数曲线尽可能地接近数据点。统计回归则更关注数据背后变量间的关系，力求找到一个函数，解释自变量如何影响因变量。 统计回归 统计回归分析主要分为线性回归和非线性回归。 线性回归 线性回归假设自变量与因变量之间存在线性关系。在MATLAB中，可以使用regress命令进行线性回归分析。regress命令可以提供回归系数、置信区间等统计信息，帮助我们理解变量之间的关系。 非线性回归 当自变量与因变量之间关系复杂，无法用线性函数描述时，需要使用非线性回归。MATLAB提供了多种函数用于非线性回归分析，例如nlinfit、lsqcurvefit等。选择合适的函数取决于数据的特点和分析目的。

选择局部应用（续） 例：由于学籍管理、课程管理等都不太复杂，因此可以它们入手设计学生管理子系统的分E-R图。如果局部应用比较复杂，则可以从更下层的数据流图入手。

过拟合：模型在训练集上的表现良好，但在新数据上表现不佳，泛化能力差。 欠拟合：模型未能从训练集中学习足够的信息，在新数据上表现不理想。 决策树的评估：使用交叉验证或划分数据集的方法来评估决策树的性能。

提供Matlab代码实现B样条曲线逼近。