非线性模型描述实验数据中的非线性关系。非线性回归模型通常被假定为参数化的，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。
参数非线性回归模型将因变量(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)组合的函数。该模型可以是单变量(有一个响应变量)或多变量(有多个响应变量)。
参数可以采用指数、三角、幂或任何其他非线性函数的形式。为了确定非线性参数估计，通常使用迭代算法。
\[y = f(X，) + \]
其中，\(贝塔\)表示要计算的非线性参数估计，\(\epsilon\)表示误差项。
拟合非线性模型的常用算法包括:
- 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:
- 对数据拟合一个非线性模型并比较不同的模型
- 生成预测
- 评估参数置信区间
- 评价拟合优度
有关细节,请参见统计和机器学习工具箱．要创建一个非线性模型，使曲线、曲面和样条与数据交互拟合，请参见曲线拟合工具箱．使用。创建非参数模型深度学习工具箱和决策树，见MATLAB中可用的机器学习函数。要从测量的输入-输出数据创建动态系统的非线性模型，请参见系统辨识工具箱．
