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.
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.
Üldistusviga mõõdab, kui palju TI-mudel eksib uute, varem nägemata andmete puhul – erinevalt veast treeningandmetel. Suur lõhe nende kahe vahel viitab ülesobitamisele: mudel on näited pähe õppinud, mitte üldisi mustreid omandanud. Seda hinnatakse kõrvale jäetud testandmete või ristvalideerimise abil. See on näitaja, mis tegelikult loeb, sest praktikas puutub mudel kokku peaaegu ainult uute juhtumitega.
Ristvalideerimine on meetod, millega kontrollitakse, kui hästi mudel üldistub uutele, nägemata andmetele. K-osaga ristvalideerimisel jagatakse andmed k osaks; mudelit treenitakse k korda k−1 osal ja testitakse iga kord ülejäänud osal, seejärel tulemused keskmistatakse. See aitab avastada ülesobitamist ja võrrelda mudeleid või seadeid ausalt, eriti kui andmeid on vähe.
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.
