MARS 模型是由 Jerome H. Friedman 于 1991 年提出的。是一种泛化能力很强的专门针对高维数据的回归方法，该回归方法以样条函数的张量积作为基函数，而基函数的确定和基函数的个数都由数据自动完成，不需要人工选定。

MARS 方法是由 Jerome H. Friedman 于 1991 年提出的。该方法以样条函数的张量积作为基函数，而且基函数生成过程完全不需要人工操作，所以相比于其他方法，MARS 不仅具有很强的自适应性，而且对模型预测的精度也比较高。在多维情况下，由于样本空间的扩张，怎样划分空间就成为至关重要的问题。MARS 就是一种泛化能力很强的专门针对高维数据的回归方法。该回归方法以样条函数的张量积作为基函数，而基函数的确定(张积变量的个数以及变量的分割点)和基函数的个数都由数据自动完成，不需要人工选定。MARS模型很好的解决了这个问题，具备了很多响应面模型所不具备的多维大样本数据处理优势。

MARS 综合了投影追踪法和递归分区法的优点，并引入了样条作为基函数。该方法并不要求空间划分是不相交的，只要它们的并集能覆盖整个取值空间即可，每个小的划分区域对应一个系数，输入变量 x*落入区域对应系数与其基函数乘积的线性和就是它的预测值，这样可得到连续的函数估值，而且对于只有少数几个变量具有交互作用的情形，该方法具有更大的弹性。重要的是，该方法容易确定各个变量的累加贡献和多个不同变量的交互作用。