非线性回归是一种统计技术，有助于描述实验数据中的非线性关系。非线性回归模型通常被假定为参数化的，其中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。
参数非线性回归模型将因变量(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。模型可以是单变量(单响应变量)或多变量(多响应变量)。
参数可以采用指数、三角、幂或任何其他非线性函数的形式。为了确定非线性参数估计，通常使用迭代算法。
\ [y = f (X) \β)+ \ε\]
其中，\(贝塔\)表示要计算的非线性参数估计，\(\epsilon\)表示误差项。
用于拟合非线性回归的流行算法包括:
- 高斯牛顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
对于这些和其他参数回归以及逐步、稳健、单变量和多元回归的函数，请参阅统计和机器学习工具箱™．它可以用于:
- 对数据拟合一个非线性模型并比较不同的模型
- 生成预测
- 评估参数置信区间
- 评价拟合优度
对于非参数模型使用机器学习诸如神经网络、决策树和集成学习等技术深度学习工具箱™和统计和机器学习工具箱™．
要创建适合曲线、曲面和样条数据的模型，请参见曲线拟合工具箱™．
