线性模型将连续响应变量描述为一个或多个预测变量的函数。它们可以帮助您理解和预测复杂系统的行为，或者分析实验、金融和生物数据。
线性回归是一种用于创建线性模型的统计方法。该模型将因变量\（y\）（也称为响应）之间的关系描述为一个或多个自变量\（X_i\）（称为预测因子）的函数。线性模型的一般方程为：
\[y=\beta\u 0+\sum\\beta\u i X\u i+\epsilon\u i\]
其中\（\beta\）表示要计算的线性参数估计，\（\epsilon\）表示误差项。
线性回归有几种类型：
- 简单线性回归：仅使用一个预测器的模型
- 多元线性回归：多预测模型
- 多元线性回归：多响应变量模型
简单线性回归通常在MATLAB.有关多元和多元线性回归，请参见统计和机器学习工具箱。它使逐步、稳健和多元回归能够：
- 生成预测
- 比较线性模型拟合
- 绘图残差
- 评估拟合优度
- 检测异常值
要创建将曲线和曲面拟合到数据的线性模型，请参见曲线拟合工具箱. 要从测量的输入输出数据创建动态系统的线性模型，请参见系统识别工具箱.要从非线性Simulink模型创建用于控制系统设计的线性模型，请参阅万博1manbetx万博1manbetxSimulink控制设计.
