Modelos no lineales

Regresión no lineal con varias variables predictoras

Clases

NonLinearModel Clase de modelo de regresión no lineal

`fitnlm`	Ajustar modelo de regresión no lineal
`disp`	Mostrar modelo de regresión no lineal
`feval`	Evalúe la predicción del modelo de regresión no lineal
`predict`	Predecir la respuesta del modelo de regresión no lineal
`random`	Simular respuestas para el modelo de regresión no lineal

`dummyvar`	Crear variables ficticias
`hougen`	El modelo Hougen-Watson
`plotPartialDependence`	Cree parcelas de dependencia parcial (PDP) y de expectativa condicional individual (ICE)
`statset`	Crear estructura de opciones de estadísticas
`statget`	Los valores de acceso en la estructura de opciones de estadísticas

`nlinfit`	La regresión no lineal
`nlintool`	La regresión no lineal interactiva
`nlparci`	Intervalos de confianza de parámetros de regresión no lineales
`nlpredci`	Intervalos de confianza de predicción de regresión no lineal

Importar datos, ajustar una regresión no lineal, probar su calidad, modificarla para mejorar la calidad y realizar predicciones basadas en el modelo.

En este ejemplo se muestra cómo ajustar un modelo de regresión no lineal para datos con varianza de error no constante.

Este ejemplo muestra errores que pueden producirse al ajustar un modelo no lineal mediante la transformación a linealidad.

Este ejemplo muestra dos formas de ajustar un modelo de regresión logística no lineal.

Los modelos no lineales paramétricos representan la relación entre una variable de respuesta continua y una o más variables predictoras continuas.