非线性回归是一种统计技术，它有助于描述实验数据中的非线性关系。一般假设非线性回归模型为参数，将模型描述为非线性方程。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(称为预测变量)组合的函数。模型可以是单变量(单响应变量)，也可以是多变量(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，\(\beta\)表示要计算的非线性参数估计值，\(\epsilon\)表示误差项。

用于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这些函数和其他函数，参见统计和机器学习工具箱。它可以用来:

• 根据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

对于非参数模型机器学习神经网络、决策树和集成学习等技术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、曲面和样条曲线与数据匹配的模型，请参见曲线拟合工具箱。