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.
Prognozējošā analītika izmanto vēsturiskus datus, statistiku un mašīnmācīšanos, lai novērtētu iespējamus nākotnes notikumus. Tā atbild uz tādiem jautājumiem kā: kuri klienti drīz atteiksies? Cik daudz krājumu nākamajā mēnesī būs vajadzīgs? Kad iekārta, visticamāk, sabojāsies? Rezultāti ir varbūtības, nevis noteiktība. To vērtība lielā mērā atkarīga no datu kvalitātes un no tā, vai prognozes patiešām tiek izmantotas lēmumos un procesos.
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.
Nejaušo mežu regresija prognozē skaitliskas vērtības, apvienojot daudzus lēmumu kokus. Katrs koks tiek apmācīts uz nejaušas datu izlases un nejauši izvēlētām pazīmēm; rezultāts ir visu koku prognožu vidējais. Tādējādi metode ir robustāka un mazāk pakļauta pārmērīgai pielāgošanai nekā atsevišķs koks. To izmanto, piemēram, pārdošanas prognozēm, cenu novērtējumiem vai enerģijas pieprasījumam — bieži kā stabilu sākumpunktu tabulu datiem.
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.
