线性模型将连续响应变量描述为一个或多个预测变量的函数。它们可以帮助您理解和预测复杂系统的行为，或分析实验、金融和生物数据。
线性回归是一种用来建立线性模型的统计方法。该模型描述了因变量(y)(也称为响应)作为一个或多个自变量(X_i)(称为预测器)的函数之间的关系。线性模型的一般方程为:
\[y = \beta_0 + \sum \ \beta_i X_i + \epsilon_i\]
其中\(\beta\)表示要计算的线性参数估计，\(\epsilon\)表示误差项。
线性回归有几种类型:
- 简单线性回归:模型只使用一个预测器
- 多元线性回归:使用多个预测器的模型
- 多元线性回归:多响应变量模型
简单的线性回归通常是在MATLAB．有关多重和多元线性回归，请参阅统计和机器学习工具箱．它支持逐步、稳健和多元回归:
- 生成预测
- 比较线性模型拟合
- 情节残差
- 评价拟合优度
- 检测异常值
若要创建将曲线和曲面拟合到数据的线性模型，请参见曲线拟合工具箱．要从测量的投入产出数据创建动态系统的线性模型，请参见系统辨识工具箱．要从非线性Simulink模型创建控制系统设计的线性模型，请参见金宝app金宝app仿真软件控制设计．
