插值是什么？根据已知数据点估算中间的值

插值（Interpolation）是指在已知的数据点之间，估计未知点的数值的过程。在机器学习领域，插值通常用于填补数据集中的缺失值，或者消除数据中的噪声和不规则性。它与“外推”相对：插值是估计已知数据范围之内的值，而外推是估计已知范围之外的值，外推通常更不可靠。

一个日常的例子

假设一个气象站每小时记录一次温度，但 3 点的数据因为设备故障丢失了，2 点是 18 度，4 点是 22 度。一个最简单的估计是：3 点的温度大概在两者中间，约 20 度。这就是一种插值，叫线性插值：假设两个已知点之间的变化是均匀的、沿直线变化的。

常见的插值方法

最近邻插值：直接用离未知点最近的那个已知点的值作为估计。最简单、计算最快，但结果是阶梯状的，不够平滑。线性插值：用连接相邻两个已知点的直线来估计中间的值。简单、常用，结果连续，但在已知点处会有“拐角”，不够光滑。多项式插值：用一个多项式曲线穿过所有已知点。可以得到光滑的曲线，但点很多时，高次多项式可能在两端出现剧烈的振荡。样条插值：把整个范围分成许多小段，在每段上用低次的多项式（常用三次多项式）插值，并保证各段在连接处平滑地衔接。它兼顾了光滑和稳定，是实际中最常用的方法之一。在二维的情况，比如图像中，还有双线性插值、双三次插值等方法。

在机器学习和 AI 中的应用

数据预处理：填补时间序列、传感器数据中的缺失值，或者把采样频率不同的数据统一到相同的时间间隔上。图像处理：放大或缩小图片时，需要估算新像素位置的颜色值，常用双线性或双三次插值；图像旋转、变形时也需要插值。深度学习中的上采样：在语义分割、图像生成等任务中，常需要把较小的特征图放大到原图的尺寸，插值是常用的上采样方法之一。潜在空间插值：在生成模型中，在两个样本的潜在表示之间进行插值，可以生成平滑过渡的中间结果，比如一张人脸逐渐变成另一张人脸，常被用来检验生成模型是否学到了平滑、有意义的潜在空间。位置编码插值：在一些大模型和视觉模型中，当输入的长度或分辨率超过训练时的范围，会对位置编码进行插值来扩展模型的处理能力。

选择插值方法时，需要在计算速度、结果的平滑程度和准确性之间进行权衡，并且要意识到，插值得到的只是估计值，并不是真实的数据。