Regresi linear memprediksi target numerik dengan intersep dan jumlah berbobot dari fitur. Pada data pengiriman fiktif, jarak, jumlah barang, dan status akhir pekan menjelaskan sebagian dari durasi. Model memperkirakan bobotnya dari baris data latih. Prediksinya tetap numerik dan bisa berada di antara nilai-nilai target yang teramati.
Fit estimator sebelum memanggil predict, lalu berikan kolom fitur dengan urutan yang sama. Fit yang bagus pada baris data latih tidak menghilangkan kebutuhan untuk mengukur error pada data holdout. MAE meringkas error absolut yang tipikal dalam satuan durasi; RMSE memberi penalti lebih berat pada residual yang besar. Intersep penting karena sebuah rute bisa memakan waktu meskipun input numeriknya nol. Latihan-latihan ini bergerak dari fit hingga pelaporan error, dengan data baru, bukan dataset benchmark yang disalin.
Estimator yang sudah di-fit belajar dari partisi pelatihan. Memprediksi masukan yang disisihkan menghasilkan satu keluaran untuk setiap pengamatan uji, siap dievaluasi.