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.
Logistiline regressioon on statistiline meetod, mis ennustab ühe kahest tulemusest tõenäosust, näiteks „ostab“ või „ei osta“. See kaalub sisendtunnuseid ja teisendab nende summa S-kujulise funktsiooni abil väärtuseks vahemikus 0 kuni 1. Kuna kaale on lihtne tõlgendada, kasutatakse seda laialdaselt krediidiskooringus, meditsiinis ja turunduses, sageli kindla lähtetasemena keerukamate mudelite jaoks.
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.
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.
Ennustav modelleerimine on ennustava analüütika tehniline tuum: teadaolevate tulemustega näiteandmete põhjal ehitatakse mudel, mis ennustab uute juhtumite väärtust või klassi. Levinud meetodid on regressioon, otsustuspuud, juhumetsad ja närvivõrgud. Mudel võib näiteks hinnata kinnisvara hinda elamispinna, asukoha ja ehitusaasta põhjal. Enne kasutuselevõttu testitakse seda eraldi hoitud andmetel, et avastada ülesobitamist.
