Các hệ thống phân loại đƣa ra các câu trả lời rời rạc nhƣ có, không hoặc một số nguyên định danh các đối tƣợng đầu vào thuộc lớp nào. 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 số lƣợng nhỏ các số liệu để xây dựng mô hình.
Mô hình này có thể đƣa ra các dự báo cho tất cả các đối tƣợng đầu vào. Việc tìm ra đƣờng cong phù hợp với các số liệu thực nghiệm là một trong những ứng dụng thuộc dạng này. 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 ra.
Trong các vấn đề đa biến, mạng nơ-ron có nhiều lợi thế hơn so với các phƣơng pháp mô hình hoá cổ điển sử dụng các hàm giải tích. Bởi vì trong phƣơng pháp mô hình hoá cổ điển đối với mỗi đầu ra, ta phải định nghĩa một hàm cụ thể cùng một bộ các tham số, trong khi đó đối với mạng nơ-ron thì không phải quan tâm tới các hàm đó. Tuy nhiên, trong các phƣơng 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.
Trong nhiều ứng dụng khá đặc biệt, khi sai số thực hiện khá lớn chúng ta có thể mô hình hoá bằng cách cân xứng hoá giữa tín hiệu vào tín hiệu ra. Trong các trƣờng hợp này, sử dụng mạng nhƣ một bảng tra là đủ, mặc dù các bảng này sẽ cho lời giải giống nhau trong một khoảng nào đó của tín hiệu vào.
Đối với việc chọn chiến lƣợc học, chúng ta cần quan tâm đến sự phân bố của các đối tƣợng dùng để học. Nếu số lƣợng đối tƣợng dùng cho việc học là ít và đƣợc phân bố tƣơng đối đều trong toàn không gian, khi đó số liệu có thể đƣợc dùng ngay cho việc mô hình hoá. Trái lại, nếu các đối tƣợng là nhiều, sẵn có nhƣng phân bố ngẫu nhiên trong không gian biến, đầu tiên phải giảm thiểu chúng
sao cho vẫn bao trùm toàn không gian, sau đó mới dùng làm số liệu cho việc mô hình hoá.