非线性回归是一种统计技术，有助于描述非线性关系的实验数据。非线性回归模型通常假设是参数的，其中模型被描述为一个非线性方程。通常机器学习采用了非参数非线性回归方法。

参数非线性回归将因变量(也称为响应)建模为非线性参数和一个或多个自变量(称为预测器)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)。

参数可以采取指数，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\(\beta\)表示待计算的非线性参数估计，\(\epsilon\)表示误差项。

拟合非线性回归的常用算法包括:

• 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回归、稳健回归、单变量回归和多元回归的函数，请参见统计和机器学习工具箱。它可以用来:

• 用一个非线性模型拟合数据，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技术如神经网络，决策树，和集成学习，见深度学习工具箱和统计和机器学习工具箱。

要创建将曲线、曲面和样条与数据匹配的模型，请参见曲线拟合工具箱。