非线性模型描述了实验数据的非线性关系。非线性回归模型通常假设为参数，其中该模型被描述为一个非线性方程。通常机器学习方法被用于非参数非线性回归。

参数非线性回归模型因变量（也称为响应）作为非线性参数和一个或多个自变量（称为预测变量）的组合的函数。该模型可以是单变量（具有单个响应变量）或多元（具有多个响应变量）。

这些参数可以采取一个指数，三角，电源的形式，或任何其它非线性函数。为了确定非线性参数估计，迭代算法通常使用。

\ [Y = F（X，\测试版）+ \小量\]

其中，\（\测试\）表示非线性参数估计被计算和\（\小量\）表示误差项。

拟合非线性模型通用算法包括：

• 高斯 - 牛顿算法
• 梯度下降算法
• Levenberg-Marquardt算法

参数非线性回归可以用于：

• 安装一个非线性模型的数据和比较不同的车型
• 生成预测
• 评估参数的置信区间
• 评估拟合优度拟合

详情请参照统计和机器学习工具箱。创建一个非线性模型适合曲线，表面和样条曲线对数据交互，看曲线拟合工具箱。要使用非参数创建模型深度学习工具箱和决策树，可以看到用MATLAB机器学习功能。创建从测量的输入 - 输出数据的动态系统的非线性模型，见系统辨识工具箱。