我需要交叉匹配不同目录的天文坐标列表，我想确定交叉匹配的最大半径。这样可以避免我的列表和目录之间的不匹配。
为此，我计算了列表中每个对象与目录的最佳匹配之间的分隔。我的初始列表被认为是一个已知对象的位置，但它可能发生在目录中未检测到，并且我的坐标可能受到小的偏移。
我计算最大半径的方法是通过用高斯拟合高斯分离的高斯核密度，并使用中心+ 3sigmas值。对于大多数情况，该方法很有效，但是当我的列表的一个小子样本有一个偏移时，我有两个高斯。在这些情况下，我将以不同的方式指定最大半径。
我的问题是，当发生这种情况时，curve_fit通常不能与一个高斯拟合。对于科学出版物，我需要证明curve_fit中的“不合适”，并且在这种情况下使用“不同方式”。有人能用数学术语告诉我这意味着什么吗？
答案 0 :(得分：0)
你可以用不同的长度证明这个或那个合适的ansatz ---这在很大程度上取决于你特定情况的细节（例如：你为什么期望高斯在一开始就工作？到什么深度？你需要/想要深入研究为什么某个拟合程序失败以及究竟什么是失败等等。
如果问题实际上是关于curve_fit及其收敛失败的问题，那么请向我们展示一些代码和一些显示问题的输入数据。
如果问题是关于如何评估适合度，那么你最好回到图书馆并挑选一本关于统计数据的好书。
如果你所寻找的只是证明为什么在某种情况下高斯不是一个好的拟合ansatz，一种方法是计算时刻：对于高斯分布，第一，第二，第三和更高的时刻是{{ 3}}以非常精确的方式。如果你能证明对于你的基础数据，时刻之间的关系是非常不同的，那么这些数据不能被高斯拟合是合理的。