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假定为参数模型，其中模型被描述为非线性方程。典型的机器学习方法用于非参数非线性回归。
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（称为预测因子）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。
\[y=f（X，\beta）+\epsilon\]
式中，\（\beta\）表示要计算的非线性参数估计值，\（\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
有关参数回归以及逐步、稳健、单变量和多元回归的这些函数和其他函数，请参见统计和机器学习工具箱™. 它可用于：
- 将非线性模型与数据拟合，并比较不同的模型
- 生成预测
- 评估参数置信区间
- 评估拟合优度
对于非参数模型，使用机器学习神经网络、决策树和集成学习等技术，请参见深度学习工具箱™和统计和机器学习工具箱™.
要创建将曲线、曲面和样条曲线拟合到数据的模型，请参见曲线拟合工具箱™.
