A regressão linear prevê um alvo numérico com um intercepto e uma soma ponderada de variáveis. Nos registros fictícios de entregas, a distância, o número de itens e se é fim de semana explicam parte da duração. O modelo estima os pesos delas a partir das linhas de treinamento. As previsões continuam numéricas e podem ficar entre valores observados do alvo.
Ajuste o estimador antes de chamar predict e passe as colunas de variáveis na mesma ordem. Um bom ajuste nas linhas de treinamento não elimina a necessidade de medir o erro com dados reservados. O MAE resume o erro absoluto típico em unidades de duração; o RMSE penaliza mais os resíduos grandes. O intercepto importa porque uma rota pode levar tempo mesmo quando suas entradas numéricas são zero. Estes exercícios avançam do ajuste até o relatório do erro, com registros novos em vez de um conjunto de dados de referência copiado.
O estimador ajustado aprende com a partição de treino. Prever as entradas reservadas gera uma saída para cada observação de teste, pronta para ser avaliada.