در این مقاله تفاوت میان رگرسیون کلاسیک و رگرسیون فازی مورد بحث و بررسی قرار گرفته است. در رگرسیون فازی داده‌های غیرفازی و فازی را می‌توان برای مدل‌بندی استفاده کرد. در حالی که در رگرسیون کلاسیک  فقط از داده‌های غیر‌فازی استفاده می‌شود. هدف بررسی روش رگرسیون امکانی، روش رگرسیون کمترین مربعات مبتنی بر رگرسیون امکانی و روش هیبرید رگرسیون خطی کمترین مربعات بر اساس حساب فازی وزنی برای ورودی غیرفازی و خروجی فازی با استفاده از اعداد فازی مثلثی متقارن می‌باشد و در ادامه اندازه قابلیت اطمینان، فاصله اطمینان و معیار نیکویی برازش برای انتخاب مدل بهینه ارائه شده است. در آخر با ارائه مثال‌هایی رفتار روش‌های مطرح شده را مورد بررسی قرار داده و بهینگی مدل هیبرید رگرسیون کمترین مربعات خطی فازی نشان داده می‌شود.