线性模型描述了作为一个或多个预测变量的函数的连续响应变量。他们可以帮助您理解并预测复杂系统或分析实验，金融和生物数据的行为。
线性回归是用于创建线性模型的统计方法。该模型描述了从属变量\（y \）（也称为响应）之间的关系作为一个或多个独立变量\（x_i \）的函数（称为预测器）。线性模型的一般方程是：
\ [y = \ beta_0 + \ sum \ \ beta_i x_i + \ epsilon_i \]
其中\（\ beta \）表示要计算的线性参数估计值，\（\ epsilon \）表示错误术语。
有几种类型的线性回归：
- 简单的线性回归：模型仅使用一个预测器
- 多元线性回归：使用多个预测器的模型
- 多变量线性回归：多个响应变量的模型
常用的线性回归通常进行马铃薯。对于多变量线性回归，请参阅统计和机器学习工具箱。它可以逐步，强大，多变量回归：
- 生成预测
- 比较线性模型适合
- 绘制残差
- 评估良好健康
- 检测异常值
创建一个适合您数据的曲线和曲面的线性模型，请参阅曲线拟合工具箱。从测量的输入输出数据创建动态系统的线性模型，请参阅系统识别工具箱。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。
