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。