我正在策划this数据集并进行对数拟合，但是由于某种原因，拟合似乎是 strongly wrong ，在某些时候我得到了足够好的拟合，但后来我重新绘制，却出现了不合适的情况。一开始有一个 0.0 0.0076，但我将其更改为 0.001 0.0076 以避免渐近线。
我正在使用(不完全是上图中的这个，但现在我正在用这个进行测试，并且也存在不合适的情况)这个适合适合
f(x) = a*log(k*x + b)
fit = fit f(x) 'R_B/R_B.txt' via a, k, b
输出为this
此外，有时它说 7 次迭代，如上面的屏幕截图所示，其他只有 1 次，当它执行“正确”拟合时，它确实进行了 35 次迭代或类似的操作，如果我记得的话，得到 a = 32正确
编辑:here又是一个好的，我得到的情节是 this one 。再一次，我重新策划并得到了那种奇怪的契合。奇怪的是，如果有 0.0 0.0076 当它即将显示时，gnuplot 会显示“函数求值期间未定义的值”，但该消息在以下情况下不会显示我遇到了坏事。
你知道为什么我总是遇到这种不一致的情况吗？感谢您的帮助
最佳答案
正如我在评论中已经提到的，拟合反导数的方法比拟合导数的方法要好得多，因为当数据稍微分散时，导数的数值计算会强烈分散。
拟合积分方程的方法原理(从要拟合的原始方程得到)在https://fr.scribd.com/doc/14674814/Regressions-et-equations-integrales中有解释。 。 y=a.ln(c.x+b) 情况的应用如下所示。
数值计算:
为了获得更好的结果(根据某些指定的拟合标准)，可以使用上述参数值作为在某些方便的软件中实现的非线性回归迭代方法的初始值。
注意:本例中使用的积分方程为:
注:上图可以将积分方程拟合方法的结果与导数拟合方法的结果进行比较。
致谢:Alex Sveshnikov 在应用导数回归方法方面做了非常出色的工作。这可以进行有趣且富有启发性的比较。如果目标只是计算非线性回归软件中使用的参数的近似值，则两种方法是相当等效的。然而，在数据分散的情况下，积分方程的方法似乎更合适。
更新(亚历克斯·斯维什尼科夫更新他的答案后)
下图是利用Alex Sveshnikov的结果进一步迭代拟合的方法绘制的。
这两条曲线几乎无法区分。这表明(在本例中)拟合积分方程的方法几乎足够了，无需进一步处理。
当然，这并不总是那么令人满意。这是由于数据的分散性较低。
此外，回答 CosmeticMichu 评论中提出的问题:
关于gnuplot - 为什么我对对数函数的拟合看起来如此错误，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/71891683/