Python 曲线拟合不收敛意味着。。。？

我需要将天文坐标列表与不同的目录进行交叉匹配，并确定交叉匹配的最大半径。这将避免我的清单和目录之间的不匹配

为此，我计算列表中每个对象与目录的最佳匹配之间的间隔。我的初始列表被认为是已知对象的位置，但可能会发生在目录中未检测到的情况，并且我的坐标可能会受到小偏移的影响

我计算最大半径的方法是用高斯函数拟合分离的高斯核密度，并使用中心+3sigmas值。该方法在大多数情况下都能很好地工作，但当列表中的一个小子样本有偏移量时，我会使用两个高斯。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，当这种情况发生时，曲线拟合通常不能用一个高斯函数进行拟合。对于科学出版物，我需要证明曲线拟合中的“不拟合”，以及在何种情况下使用“不同的方式”。有人能帮我解释一下这在数学上意味着什么吗？

你可以用不同的长度来证明这个或那个合适的安萨兹——这在很大程度上取决于你具体案例的细节（例如：你为什么期望高斯函数在一开始就起作用？你需要/想要深入研究某个拟合过程失败的原因以及失败的原因等）

如果问题真的是关于曲线拟合及其无法收敛，那么给我们展示一些代码和一些输入数据来说明问题

如果问题是关于如何评估拟合优度，你最好回到图书馆，挑选一本关于统计学的好书

如果你所寻找的只是证明为什么在某种情况下，高斯不是一个很好的拟合ansatz的方法，那么一种方法就是计算矩：对于高斯分布，第一、第二、第三和更高的矩是非常精确的。如果你能证明，对于你的基础数据，矩之间的关系是非常不同的，这听起来很有道理这些数据不能用高斯分布拟合是合理的