非线性回归是一种统计方法,帮助描述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(单响应变量)或多元(多重响应变量)。
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。
拟合非线性回归流行的算法包括:
- 高斯 - 牛顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
对于这些和其它功能参数回归以及为逐步,稳健,单变量和多变量回归,看统计和机器学习工具箱。它可用于:
- 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
对于使用非参数模型机器学习技术,如神经网络,决策树,并集成学习,看深度学习工具箱和统计和机器学习工具箱。
要创建一个模型适合曲线,曲面和样条曲线的数据,请参见曲线拟合工具箱。