一个非线性模型描述了实验数据中的非线性关系。通常认为非线性回归模型是参数,其中该模型被描述为非线性方程。通常机器学习方法用于非参数非线性回归。
参数非线性回归模拟因变量(也称为响应)作为非线性参数和一个或多个自变量(称为预测变量)组合的函数。该模型可以是单变量(带有单个响应变量)或多变量(具有多个响应变量)。
这些参数可以采用指数,三角学,功率或任何其他非线性函数的形式。为了确定非线性参数估计值,通常使用迭代算法。
\ [y = f(x,\ beta) + \ epsilon \]
其中,\(\ beta \)表示要计算的非线性参数估计值,并且(\ epsilon \)代表错误项。
拟合非线性模型的常见算法包括:
- 高斯 - 纽顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
参数非线性回归可用于:
- 将非线性模型拟合到数据并比较不同的模型
- 产生预测
- 评估参数置信区间
- 评估拟合优度
有关详细信息,请参阅统计和机器学习工具箱。要创建一个拟合曲线,表面和花纹的非线性模型,请参见数据曲线拟合工具箱。使用非参数模型使用深度学习工具箱和决策树,请参阅MATLAB提供的机器学习功能。要从测得的输入输出数据创建动态系统的非线性模型,请参见系统标识工具箱。