Interpolation برای پیش‌بینی مقادیر موجود در یک مجموعه داده استفاده می‌شود، و برون‌یابی برای پیش‌بینی مقادیری که خارج از مجموعه داده‌ها قرار می‌گیرند و از مقادیر شناخته شده برای پیش‌بینی مقادیر مجهول استفاده می‌شود.. اغلب، درون یابی قابل اعتمادتر از برون یابی است، اما هر دو نوع پیش بینی می توانند برای اهداف مختلف ارزشمند باشند.
هدف از برون یابی چیست؟
برون یابی تخمین یک مقدار است که بر اساس گسترش یک توالی شناخته شده از مقادیر یا حقایق فراتر از ناحیه ای است که مطمئناً شناخته شده است. در یک مفهوم کلی، برون یابی به معنای استنتاج چیزی است که به صراحت از اطلاعات موجود بیان نشده است.
چرا از درون یابی استفاده می کنیم؟
به طور خلاصه، درون یابی فرآیندی برای تعیین مقادیر مجهول است که در بین نقاط داده شناخته شده قرار دارد. بیشتر برای پیش‌بینی مقادیر ناشناخته برای هر نقطه داده جغرافیایی مرتبط مانند سطح نویز، بارندگی، ارتفاع و غیره استفاده می‌شود.
چرا درونیابی دقیق تر است؟
از بین دو روش، درون یابی ترجیح داده می شود. این به این دلیل است که ما احتمال بیشتری برای به دست آوردن یک برآورد معتبر داریم. هنگامی که از برون یابی استفاده می کنیم، این فرض را می کنیم که روند مشاهده شده ما برای مقادیر x در خارج از محدوده ای که برای شکل دادن به مدل خود استفاده کردیم، ادامه می یابد.
دقیق ترین روش درونیابی چیست؟
درونیابی تابع مبنای شعاعی گروه متنوعی از داده ها استروش های درون یابی از نظر توانایی تطبیق داده‌های شما و ایجاد سطح صاف، روش Multiquadric از نظر بسیاری بهترین است. همه روش‌های تابع مبنای شعاعی درون‌یابی‌کننده‌های دقیق هستند، بنابراین سعی می‌کنند داده‌های شما را رعایت کنند.
