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.
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.
Vispārināšanas kļūda mēra, cik tālu MI modelis kļūdās ar jauniem, iepriekš neredzētiem datiem — atšķirībā no tā kļūdas apmācības datos. Liela starpība starp abām norāda uz pārmācīšanos: modelis ir iegaumējis piemērus, nevis apguvis vispārīgas likumsakarības. To novērtē ar atliktiem testa datiem vai krustenisko validāciju. Tas ir rādītājs, kas patiešām skaitās, jo praksē modelis gandrīz vienmēr sastopas ar jauniem gadījumiem.
Krusteniskā validācija ir metode, ar kuru pārbauda, cik labi modelis vispārina jauniem, neredzētiem datiem. K-kārtu krusteniskajā validācijā dati tiek sadalīti k daļās; modelis tiek apmācīts k reizes uz k−1 daļām un katru reizi pārbaudīts uz atlikušās daļas, pēc tam rezultāti tiek vidēji aprēķināti. Tas palīdz atklāt pārmācīšanos un godīgi salīdzināt modeļus vai iestatījumus, īpaši, ja datu ir maz.
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.
