在之前的文章里，已经介绍了几种不同的成长曲线的形式，知道了几种曲线的趋势情况。比如，指数曲线就是呈指数的不断增长；S型曲线就是先增后趋于平稳。然而，再进一步，怎么拟合出适合给定样本数据的模型曲线呢？这回，我们介绍曲线的几种拟合算法。
曲线拟合主要有3种算法：三点法、三和法和高斯-牛顿法。下面简单介绍3种算法的原理。
1、三和法：
三和法是利用三个和值来进行计算。将数据平均分成三段，分别求这三段数据的和；随后将三个和值依次做减法；通过求减法得出要预测的参数。也就是求解三元一次方程组，得到最终参数的值。
2、三点法：
三点法亦如它的名字，是利用三个点的值来进行计算。选择数据的起点、中点和终点，得到三元一次方程组；解出方程组，得到参数值。
3、高斯-牛顿法：
高斯-牛顿法是用逐次逼近的方式来得到最佳参数值。高斯-牛顿法的计算过程是一个不断迭代的过程。由于高斯-牛顿法的计算原理为寻找最优值，因此得到的结果应该最接近实际情况，拟合度最高。然而，高斯-牛顿法对数据要求较高，会出现由于数据原因无法计算的情况。
由于算法公式较为复杂，暂时没有发表在网站上，但我们会尽快整理。
三和法 | 三点法 | 高斯-牛顿法 | |
| 原理 | 将大量数据分为3段 | 3点确定一条曲线 | 迭代寻找最优值 |
| 对数据个数的要求 | 最少9个 | 3个 | 无要求 |
| 易用性 | 较为易用 | 易用 | 对数据要求严格，易用性较低 |
| 准确度 | 较为准确 | 准确性较差 | 准确 |
| 可能不适用的情况 | 样本连续出现多个0 | 样本连续出现多个0 | 无法简单判断，只能通过计算得出 |
| 使用场景 | 已有一定数据量，可用于评断一个模型合适与否，或用于跟踪、更新模型 | 数据量不够，用于策划得到初始模型 | 数据量要求无太大限制，可用于评价模型的使用情况 |
| 注意事项 | 时间从0开始和从1开始计算公式不同 | 选取的三点距离应相等 | 最优值的选取标准是R2 |
相关链接：
