グラフをクリックしてデータ点を追加。線形・多項式・指数・べき乗の回帰をリアルタイムで実行し、R²・RMSE・回帰式を即座に確認できる。
実験データの整理と経験式の導出：材料試験や環境測定で得られた離散的なデータ点から、現象を記述する近似式（経験式）を導出するために必須です。例えば、応力-ひずみ曲線の弾性域からヤング率を求める線形回帰はその典型です。
CAE結果の検証（V&V）：シミュレーション結果と実験結果を比較する際、両者のデータセットに対して回帰分析を行い、傾きが1に近いか、$R^2$が高いかなどを定量的に評価します。これによりシミュレーションの信頼性を客観的に示せます。
製品の寿命予測：加速寿命試験のデータを、時間やストレスに対する寿命の関係（多くは指数関数やべき乗関数）でフィッティングし、通常使用環境での製品寿命を外挿予測します。電子部品の故障率予測などで広く利用されています。
センサーデータの補正とキャリブレーション：温度センサーの出力電圧と実際の温度の関係など、センサーの特性は多くの場合非線形です。校正データを多項式やスプライン関数でフィッティングし、測定値を正確な物理量に変換する補正式を作成します。
まず、「R²が高ければ絶対に良いモデル」という思い込みは危険です。例えば、材料のクリープデータに5次多項式を当てはめるとR²は0.99を超えるかもしれませんが、その曲線は未来の挙動を全く予測できず、物理的意味を持ちません。実務では、「予測性能」と「解釈可能性」のバランスが重要です。次に、外れ値の影響を見逃しがちです。実験データに1点だけ明らかに離れた点があると、最小二乗法はその点に強く引っ張られ、全体の傾向を歪めた回帰式を出してきます。NovaSolverで試しに、一直線に並ぶ点群の端に1点だけ大きく離れた点を追加してみてください。直線が大きくズレるのがわかります。最後に、データ範囲外での予測（外挿）は極力避けること。20℃から80℃までの実験データで求めた式で、150℃の挙動を予測するのは、たとえR²が高くても非常にリスクが高いです。材料の相転移など、想定外の現象が起きる可能性があります。