回归模型应用广泛，为不同领域的研究人员提供了强大的科学工具。线性或简单的参数模型通常不足以描述输入变量和响应之间的复杂关系。这种关系可以通过灵活的方法（如神经网络）更好地描述，但这会导致模型不易解释和潜在的过拟合。或者，可以使用特定的参数非线性函数，但此类函数的规范通常很复杂。本文介绍了一种灵活的方法来构造和选择高度灵活的非线性参数回归模型。非线性特征是分层生成的，类似于深度学习，但对要考虑的可能类型的特征具有额外的灵活性。这种灵活性，再加上变量选择，使我们能够找到一小部分重要特征，从而获得更具解释性的模型。在可能函数的空间内，考虑了一种贝叶斯方法，根据函数的复杂性引入函数的先验。采用改进的跳模马尔可夫链蒙特卡罗算法进行贝叶斯推理，估计模型平均的后验概率。在各种应用中，我们说明了如何使用我们的方法来获得有意义的非线性模型。此外，我们将其预测性能与几种机器学习算法进行了比较。
