统计参考数据集项目由美国国家标准与技术研究院IT实验室统计工程部门的工作人员维护，它是一组数据集，这些数据集已在万维网上公开提供，目的是提供基准用于测试统计软件的应用程序。 数据集由美国联邦政府机构 NIST 维护，他们向我证实，这将数据本身完全置于公共领域内。 考虑到这一点，为方便起见并为更广泛的MATLAB社区提供有用的服务，我将所有非线性回归数据集都转换为易于使用的MAT文件，其中包含每个数据集的“结构”对象，每个对象都包含： * 因变量，x * 观察/模拟，y * 描述模型函数 f(b,x) 的函数句柄* b0和b1，每个数据集给出的两个起点* 校准的真值，breal * 给定的标准偏差，bsd 引用 NIST 小组网站上的文字来激励这个项目： “...对非线性最小二乘软件的大多数评估还应包括对代码可靠性的衡量，即代码在找到（或未找到）解决方案时是否正确识别。这里提供的

本文实例讲述了Python利用神经网络解决非线性回归问题。分享给大家供大家参考，具体如下： 问题描述 现在我们通常使用神经网络进行分类，但是有时我们也会进行回归分析。 如本文的问题： 我们知道一个生物体内的原始有毒物质的量，然后对这个生物体进行治疗，向其体内注射一个物质，过一段时间后重新测量这个生物体内有毒物质量的多少。 因此，问题中有两个输入，都是标量数据，分别为有毒物质的量和注射物质的量，一个输出，也就是注射治疗物质后一段时间生物体的有毒物质的量。 数据如下图： 其中Dose of Mycotoxins 就是有毒物质，Dose of QCT就是治疗的药物。 其中蓝色底纹的数字就是输出结果

非线性回归问题（单变量或多变量）可以使用图形用户界面 (GUI) 轻松提出，该界面使用以下求解器之一解决问题： - nlinfit：仅单变量问题。 - lsqnonlin：可以处理多变量问题（多个因拟合变量，ydata为矩阵）。 - 模式搜索：在使用 nlinfit 或 lsqonolin 之前，此求解器有助于获得良好的起点； 这样，更容易确定全局最小值。 数据作为矢量或矩阵从工作区引入 GUI。 要拟合的模型必须以矢量化形式写入 M 文件： ypred = 模型（x，xdata） ypred 是具有模型响应（行中的观察值）的列向量（单变量问题）或矩阵（多变量问题）。 x 是带有要拟合的模型参数的向量。 xdata 是一个矩阵，其中列是自变量，行是观察值。 附上使用间歇化学React器数据的动力学方程拟合示例。 要求：优化工具箱/统计工具箱/遗传算法和直接搜索工具箱取决于所选的求解

主要介绍了Python利用神经网络解决非线性回归问题,结合实例形式详细分析了Python使用神经网络解决非线性回归问题的相关原理与实现技巧,需要的朋友可以参考下