非线性模型描述了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,其中模型被描述为非线性方程。通常机器学习方法是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)作为非线性参数和一个或多个自变量(称为预测因子)组合的函数建立模型。模型可以是单变量的(有一个响应变量)或多变量的(有多个响应变量)。
参数可以是指数函数、三角函数、幂函数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。
\[y = f(X,) + \]
式中,\(\beta\)表示要计算的非线性参数估计,\(\epsilon\)表示误差项。
拟合非线性模型的常见算法包括:
- 高斯牛顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
参数非线性回归可用于:
- 对数据拟合非线性模型并比较不同模型
- 生成预测
- 评估参数置信区间
- 评价拟合优度
有关细节,请参见统计和机器学习工具箱。若要创建以交互方式将曲线、曲面和样条拟合到数据的非线性模型,请参见曲线拟合工具箱。来创建非参数模型深度学习工具箱和决策树,见机器学习函数可用的MATLAB。根据测量的投入产出数据建立动态系统的非线性模型,见系统辨识工具箱。