非线性回归是一种统计技术，有助于在实验数据中描述非线性关系。通常假设非线性回归模型是参数的，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。
参数非线性回归模拟从属变量（也称为响应）作为非线性参数和一个或多个独立变量的组合的函数（称为预测器）。该模型可以是单变量（单响应变量）或多变量（多响应变量）。
参数可以采用指数，三角，功率或任何其他非线性功能的形式。为了确定非线性参数估计，通常使用迭代算法。
\ [y = f（x，\ beta）+ \ epsilon \]
其中，\（\ beta \）表示要计算的非线性参数估计值，\（\ epsilon \）表示错误术语。
用于拟合非线性回归的流行算法包括：
- 高斯 - 牛顿算法
- 梯度下降算法
- Levenberg-Marquardt算法
对于参数回归的这些和其他函数以及逐步，强大，单变量和多变量回归，请参阅统计和机器学习工具箱™。它可以用来：
- 将非线性模型适合数据并比较不同的型号
- 生成预测
- 评估参数置信区间
- 评估良好健康
对于使用非参数模型机器学习神经网络，决策树和集合学习等技术，看深度学习工具箱™和统计和机器学习工具箱™。
要创建适合数据的曲线，曲面和样条曲线的模型，请参阅曲线配件工具箱™。
