非线性差分方程可以用多项式来拟合代替吗?
形象的说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。
常用的拟合方法有如最小二乘曲线拟合法等，在MATLAB中也可以用polyfit 来拟合多项式。拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。
如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。
一组观测结果的数字统计与相应数值组的吻合。形象的说,拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。
在MATLAB中可以用polyfit 来拟合多项式。
拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。
R^2衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R^2等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。
统计上定义剩余误差除以自由度n – 2所得之商的平方根为估计标准误。为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R^2。R^2是无量纲系数，有确定的取值范围(0—1)，便于对不同资料回归模型拟合优度进行比较；而估计标准误差是有计量单位的，又没有确定的取值范围，不便于对不同资料回归模型拟合优度进行比较。
金融的应用和解释：
拟合优度是一个统计术语，是衡量金融模型的预期值和现实所得的实际值的差距。
它是一种统计方法应用于金融等领域，基于所得观测值的基础上作出的预测。换句话说，它是衡量如何将实际观测的数值进行模拟的相关预测。
实际工作中，变量间未必都有线性关系，如服药后血药浓度与时间的关系；疾病疗效与疗程长短的关系；毒物剂量与致死率的关系等常呈曲线关系。曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。
最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
给定一组测量数据
，基于最小二乘原理，求得变量x和y之间的函数关系f(x,A)，使它最佳地逼近或拟合已知数据。f(x,A)称为拟合模型，
是一些待定参数。做法是选择参数A使得拟合模型与实际观测值在各点的残差
的加权平方和最小。应用此法拟合的曲线称为最小二乘拟合曲线。
用最小二乘法求拟合曲线首先要确定拟合模型f(x)，一般来说，根据各门科的知识可以大致确定函数的所属类，若不具备这些知识，则通常从问题的运动规律及给定数据的散点图来确定拟合曲线的形式。
希望我能帮助你解疑释惑。
那么，类似x(n+1)=u*x(n)*(1-x(n)),u属于[0,4],n属于(0,1)的数据的曲线的拟合可以用多项式来拟合代替吗?
如果可以，应该选取什么样的多项式才对？
可以，应该用二次多项式拟合来代替，希望我能帮助你解疑释惑。
