Lineārā regresija ir statistikas metode, kas ar taisni vai plakni apraksta sakarību starp mērķa mainīgo un vienu vai vairākiem prognozētājiem. Koeficientus parasti izvēlas tā, lai minimizētu kvadrātisko noviržu summu. Metode ir viegli saprotama un interpretējama: piemēram, tā var novērtēt, par cik pieaug ieņēmumi, kad reklāmas budžets palielinās par 1000 €. Ar nelineārām sakarībām tā sasniedz savas robežas.
Loģistiskā regresija ir statistikas metode, kas prognozē vienu no diviem iznākumiem, piemēram, „pērk” vai „nepērk”, varbūtību. Tā sver ievades pazīmes un to summu pārvērš vērtībā starp 0 un 1 ar S veida funkciju. Tā kā svarus ir viegli interpretēt, tā plaši tiek izmantota kredītvērtēšanā, medicīnā un mārketingā, bieži kā stabils pamats sarežģītākiem modeļiem.
Vidējā absolūtā kļūda (MAE) parāda, par cik modeļa prognozes vidēji atšķiras no faktiskajām vērtībām neatkarīgi no virziena. Tā tiek izteikta mērķa mainīgā mērvienībā, tāpēc to ir viegli saprast. Piemērs: ja dienas pārdošanas prognozes MAE ir 12, modelis vidēji kļūdās par 12 vienībām. Tā novirzēm piešķir mazāku svaru nekā kvadrātiskās kļūdas rādītāji.
Koriģētais R kvadrāts mēra, cik labi regresijas modelis izskaidro datu variāciju, ņemot vērā izmantoto prognozētāju skaitu. Parastais R kvadrāts palielinās ar katru papildu mainīgo, pat ja tas neko nepievieno; koriģētā versija soda nevajadzīgus mainīgos. Tas ļauj taisnīgāk salīdzināt dažāda lieluma modeļus, piemēram, pārdošanas prognozi ar trim, nevis desmit faktoriem.
Prognozējošā modelēšana ir prognozējošās analītikas tehniskais kodols: no piemēru datiem ar zināmiem rezultātiem izveido modeli, kas jauniem gadījumiem prognozē vērtību vai klasi. Izplatītas metodes ir regresija, lēmumu koki, nejaušie meži un neironu tīkli. Modelis, piemēram, var novērtēt īpašuma cenu pēc platības, atrašanās vietas un celtniecības gada. Pirms izvietošanas to testē ar atlikto datu kopu, lai atklātu pārmērīgu pielāgošanos.
