Korrigeeritud determinatsioonikordaja mõõdab, kui hästi regressioonimudel andmete varieeruvust selgitab, arvestades kasutatud selgitavate muutujate arvu. Tavaline R² kasvab iga lisamuutujaga, isegi kui see midagi juurde ei anna; korrigeeritud versioon karistab tarbetute muutujate eest. See võimaldab õiglasemalt võrrelda eri suurusega mudeleid, näiteks müügiprognoosi kolme või kümne teguriga.
Lineaarne regressioon on statistiline meetod, mis kirjeldab sihtmuutuja ja ühe või mitme ennustaja vahelist seost sirge või tasandi abil. Koefitsiendid valitakse tavaliselt nii, et hälvete ruutude summa oleks minimaalne. Meetod on lihtsasti mõistetav ja tõlgendatav: näiteks saab hinnata, kui palju tulu kasvab, kui reklaamieelarvet suurendada 1000 € võrra. Mittelineaarsete seoste puhul jõuab see piirini.
Ülesobitamine (overfitting) tekib siis, kui mudel jätab treeningandmed, sealhulgas juhuslikud omapärad ja müra, pähe, selle asemel et tabada üldkehtivaid mustreid. Siis tundub see tuttavate andmete puhul väga täpne, kuid toimib uute andmete puhul halvasti. Tüüpiline märk on suur vahe treening- ja testivea vahel. Vastumeetmed on rohkem või mitmekesisemad andmed, lihtsamad mudelid, regulariseerimine, dropout ja ristvalideerimine.
Keskmine absoluutviga (MAE) näitab, kui palju mudeli ennustused tegelikest väärtustest keskmiselt erinevad, olenemata suunast. See väljendatakse sihtmuutuja ühikutes, mistõttu on seda lihtne mõista. Näide: päevase müügiprognoosi MAE 12 tähendab, et mudel eksib keskmiselt 12 ühiku võrra. Erandväärtustele annab see vähem kaalu kui ruutvigadel põhinevad mõõdikud.
Regulariseerimine hõlmab tehnikaid, mis takistavad mudelil treeningu ajal oma treeningandmetega liiga tihedalt sobituda (ülesobitamine). Näited on suurte kaalude karistamine (L1- või L2-regulariseerimine), neuronite juhuslik väljalülitamine (dropout) või treeningu õigel hetkel peatamine (early stopping). Eesmärk on lihtsam mudel, mis toimib uute, nägemata andmete puhul töökindlamalt, isegi kui treeningandmetel on tulemus veidi madalam.
