Die lineare Regression ist eine übliche statistische Methode zum Klassifizieren von Datensätzen auf der Basis der Werte von numerischen Eingabefeldern. Die lineare Regression passt zu einer geraden Linie oder Fläche, die die Diskrepanzen zwischen vorhergesagten und tatsächlichen Ausgangswerten minimiert.

Anforderungen. In einem linearen Regressionsmodell können nur numerische Felder und kategoriale Prädiktoren verwendet werden. Sie müssen genau ein Zielfeld (mit der Rolle auf Ziel gesetzt) und einen oder mehrere Prädiktoren (mit der Rolle auf Eingabe gesetzt) haben. Felder mit einer Rolle von Beide oder Keine werden ignoriert, ebenso wie nicht numerische Felder. (Falls erforderlich, können nicht numerische Felder mithilfe eines Ableitungsknotens wiederhergestellt werden.)

Stärken. Lineare Regressionsmodelle sind relativ einfach und liefern eine leicht interpretierbare mathematische Formel für die Erstellung von Vorhersagen. Da es sich bei der linearen Regression um ein seit langem etabliertes statistisches Verfahren handelt, sind die Eigenschaften dieser Modelle wohlverstanden. Lineare Modelle lassen sich auch in der Regel sehr schnell trainieren. Der Lineare Knoten stellt Methoden für die automatische Feldauswahl bereit, um nicht signifikante Eingabefelder aus der Gleichung zu eliminieren.