Numpy 5PL曲线非线性最小二乘法（scipy）中的异常值处理

我目前需要将5PL曲线拟合到我拥有的一些数据点。5PL是生物测定分析中常用的非对称逻辑函数。其公式如下：

F（x）=D+（A-D）/（1+（x/C）^B^E）

我使用python中的scipy（duh）获得了一个合适的结果。 我第一次使用数据知识来确定函数的起始参数：-

A is the lower asymptote so guess it with min(y)
B is the Hills slope so guess it with the slope of the line between first and last point.
C is the inflection point (the concentration of analyte where you have
 half of the max response) so guess it finding the concentration whose 
response is nearest to the mid response.
D is the upper asymptote so guess it with max(y)
E is the asymmetric factor and so guess it with no asymmetry (E=1) for starters.

然后使用res=least_squares（residuals，p0，bounds=bnd args=（x，y））其中residuals是计算我的数据和5PL函数之间的残差的函数，p0包含我的初始参数，bnd问题的边界，args=是传递给residuals（我的数据）的参数

现在，结果是可以接受的，但我怀疑我的测量值有很强的异常值，我希望得到更可靠的结果。我发现您可以通过添加一个损失函数和修改nonlin LS来实现这一点（如前所述）

解决这个问题的方法是

res_loss=least_squares（残差，p0，界限=bnd，loss='soft_l1'，f_scale=1000，args=（x，y））

其中loss='soft_l1'确定我使用的损失函数的类型，f_在内联线和异常值之间缩放阈值

现在在我能找到的每一个例子中，人们只是使用他们想要拟合的曲线来生成数据，并向信号中添加噪声，然后他们可以将f_scale值设置为等于他们引入的噪声

这很好，但如果不知道异常值的值是什么，那么应该如何选择f_scale？是否有一种方法可以使用数据分布自动确定每个数据集的异常值

如果我的问题是线性的，我会用每个X的数据的标准差来创建一个权重矩阵并求解加权最小二乘法。对于非线性问题有类似的方法吗

---

提前感谢

这似乎是一个统计问题，而不是一个编程问题，在这种情况下，最好把它放进去，比如。