非线性回归是一种统计技术,有助于在实验数据中描述非线性关系。通常假设非线性回归模型是参数的,其中模型被描述为非线性方程。通常机器学习方法用于非参数非线性回归。
参数非线性回归模拟从属变量(也称为响应)作为非线性参数和一个或多个独立变量的组合的函数(称为预测器)。该模型可以是单变量(单响应变量)或多变量(多响应变量)。
参数可以采用指数,三角,功率或任何其他非线性功能的形式。为了确定非线性参数估计,通常使用迭代算法。
\ [y = f(x,\ beta)+ \ epsilon \]
其中,\(\ beta \)表示要计算的非线性参数估计值,\(\ epsilon \)表示错误术语。
用于拟合非线性回归的流行算法包括:
- 高斯 - 牛顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
对于参数回归的这些和其他函数以及逐步,强大,单变量和多变量回归,请参阅统计和机器学习工具箱™。它可以用来:
- 将非线性模型适合数据并比较不同的型号
- 生成预测
- 评估参数置信区间
- 评估良好健康
对于使用非参数模型机器学习神经网络,决策树和集合学习等技术,看深度学习工具箱™和统计和机器学习工具箱™。
要创建适合数据的曲线,曲面和样条曲线的模型,请参阅曲线配件工具箱™。