Các hệ thống phân loại đưa ra các câu trả lời rời rạc như có, không hoặc một số nguyên định danh các đối tượng đầu vào thuộc lớp nàọ Mô hình hoá yêu cầu hệ thống phải sản sinh ra các câu trả lời mang tính liên tục. Trong quá trình mô hình hoá cần một lượng số liệu để xây dựng mô hình. Mô hình này có thể đưa ra các dự báo cho tất cả các đối tượng đầu vàọ Việc tìm ra đường cong phù hợp với các số liệu thực nghiệm là một trong những ứng dụng thuộc dạng nàỵ Trong bất kỳ loại mô hình nào cũng phải tuân theo một giả định là: Các thay đổi nhỏ của tín hiệu vào chỉ gây ra những biến đổi nhỏ của tín hiệu rạ
Trong các vấn đề đa biến mạng nơron có nhiều ưu thế hơn so với các mô hình hoá cổ điển sử dụng các hàm giải tích. Bởi vì trong phương pháp mô hình hoá cổ điển, đối với mỗi đầu ra ta phải xác định một hàm cụ thể cùng một bộ các tham số. Trong khi đó đối với mạng nơron thì không phải quan tâm tới những hàm đó. Tuy nhiên, trong các phương pháp mô hình hoá cổ điển, các hệ số có thể có một số ý nghĩa nào đó đối với vấn đề cần giải quyết, trái lại các trọng số của mạng không mang một ý nghĩa nào cả.
trường hợp này, sử dụng mạng như một bảng tra là đủ, mặc dù các bảng này sẽ cho lời giải gống nhau trong một khoảng nào đó của tín hiệu vàọ
Đối với việc chọn chiến lược học, chúng ta cần quan tâm tới sự phân bố của các đối tượng dùng để học. Nếu số lượng đối tượng dùng cho việc học là ít và được phân bố đều trong toàn không gian, khi đó số liệu có thể được dùng ngay cho việc mô hình hoá. Trái lại, nếu các đối tượng là nhiều, sẵn có nhưng phân bố ngẫu nhiên trong không gian biến, đầu tiên ta phải giảm thiểu chúng sao cho vẫn bao trùm toàn không gian, sau đó mới dùng làm số liệu cho việc mô hình hoá.