对数函数应用场景与数据建模 — AP 预备微积分
AP 预备微积分 · 第二单元：指数函数与对数函数 · 14 min read
1. 用于实际测量的对数尺度 ★★☆☆☆ ⏱ 4 min
许多实际物理量跨多个数量级，因此我们使用对数尺度将跨度很大的原始值压缩到便于处理、易于解读的范围内。任意对数尺度的一般形式为：
M = k \log_b\left(\frac{x}{x_0}\right)
其中 $k$ 是尺度特定常数，$x$ 是原始测量值，$x_0$ 是固定参考阈值，$b$ 是对数底数（常用尺度几乎都为10）。你会遇到的常用标准尺度包括：
- 酸碱度（pH）：$\text{pH} = -\log_{10}[H^+]$
- 声强分贝：$\beta = 10 \log_{10}(I/I_0)$
- 里氏地震震级：$M = \log_{10}(A/A_0)$
一个关键性质：底数为10的对数尺度上，每增加1个单位，对应原始测量值就增加10倍。
Exam tip: 一定要确认给定尺度对应的对数底数；大多数使用底数10，但绝不要不验证就直接假设。
2. 指数数据的线性化 ★★★☆☆ ⏱ 4 min
对于服从指数模型 $y = ab^x$ 的二元数据，我们可以利用对数性质将这种非线性关系转换为线性关系，这个过程叫做线性化。这让我们可以用简单线性回归找到模型参数，不需要使用复杂的非线性回归。
- 从原模型出发：$y = ab^x$
- 对两边取对数（任意底数均可）：$\log y = \log a + x \log b$
- 令 $Y = \log y$，$m = \log b$，$c = \log a$，模型变为线性形式：$Y = mx + c$
- 拟合线性回归后，通过取指数还原原参数：$a = b^c$，$b = b^m$（底数与对数底数一致）
Exam tip: 一定要记住对线性化模型的截距和斜率取指数，得到原指数模型参数；不要把答案保留为 $\log y$ 的形式。
3. 对数回归模型 ★★★☆☆ ⏱ 3 min
对数回归模型的形式为 $y = a + b \log_b x$，用于描述随$x$增长，$y$增减速率递减的数据。常见应用场景包括学习曲线、生态学物种-面积关系、药物反应等。和指数模型类似，这类模型也可以通过令$X = \log_b x$线性化，将模型变为 $y = a + bX$，即可用简单线性回归拟合。
一个关键解读规则：对于底数为$b$的对数模型，$x$扩大$b$倍对应$y$变化$b$个单位。
Exam tip: 不要把$x$增加1个单位解读为$y$增加$b$个单位；$y$的变化和$x$的比例变化相关，而非绝对变化。
4. AP风格补充例题 ★★★★☆ ⏱ 3 min
Common Pitfalls
Why: 将比值的对数和对数的比值混淆，错误运用了商法则
Why: 忘记线性模型是针对 $\log y$ 的，而非原变量$y$
Why: 负号不符合直觉：酸性越高，$[H^+]$越高，pH越低
Why: 将对数模型当成了处理绝对变化的线性模型
Why: 忘记对数仅对正输入有定义，且指数模型仅适用于正的物理量
Quick Reference Cheatsheet