Как я прокомментировал:
Поскольку вы наносите данные на график log-log, подходите ли вы также для log (y) и log (x)? Поскольку ваши данные y изменяются на 5 или 6 порядков, если вы не умещаетесь в лог-пространстве, то будут иметь значение только те 3 или 4 точки данных с наибольшим значением y.
Очевидно, это было слишком тонкий намек. Поэтому я буду более прямолинейным: если вы строите графики в лог-пространстве, FIT IN LOG SPACE.
Но ваша модель очень склонна к генерации комплексных чисел из negative**fraction и NaN, что, несомненно, вызывало проблемы со всеми вашими припадками. ВСЕГДА распечатывайте наиболее подходящие параметры и ковариационную матрицу.
Итак, вам может потребоваться наложить ограничения на ваши параметры (конечно, я понятия не имею, верна ли ваша модель или, по вашему мнению, используется «правильный ответ»). Может быть, начать с чего-то вроде этого:
import matplotlib.pyplot as plt
from lmfit import Model
import numpy as np
# the data can be found at the end of this post.
xx, yy = np.genfromtxt('the_data', unpack=True)
# the BPL function
def bendp(x, A, x_bend, allo, alhi, c):
numer = A * x**-allo
denom = 1 + (x/x_bend)**(alhi-allo)
out = (numer/denom) + c
return np.log(out) ## <- TAKE THE LOG
mod = Model(bendp)
para = mod.make_params(A = 0.01, x_bend=1e-2, allo=1., alhi=2., c=1e-2)
# Note: your model is very sensitive # make sure A, x_bend, alhi, and c cannot be negative
para['A'].min = 0
para['x_bend'].min = 0
para['alhi'].min = 0
para['alhi'].max = 3
para['c'].min = 0
result = mod.fit(np.log(yy), para, x=xx) ## <- FIT THE LOG
print(result.fit_report())
plt.loglog(xx, yy, linewidth=0, marker='o', markersize=6)
plt.loglog(xx, np.exp(result.best_fit), 'r', linewidth=5)
plt.show()
Надеюсь, это поможет ...