تحلیل داده‌های با بعد بالا با استفاده از روش‌های رگرسیون کلاسیک انجام پذیر نیست و ممکن است نتایج آن گمراه کننده باشد.
    در این تحقیق سعی شده است با معرفی تکنیک‌های جدید و قدرتمندی مانند رگرسیون بردار پشتیبان، رگرسیون تابعی، رگرسیون  ستیغی و لاسو، به واکاوی این‌گونه داده‌ها پرداخته شود.  در این راستا، با تحلیل دو مجموعه داده بعد بالا (داده‌های مربوط به تولید ریبوفلاوین و شبیه‌سازی شده) با روش‌های معرفی شده، به ارزیابی کاراترین مدل با استفاده از سه معیار (مجذور همبستگی، میانگین توان دوم خطا و میانگین انحراف درصد خطای مطلق) با توجه به نوع داده‌ها پرداخته می‌شود.

مدل‌بندی و برآوردی کارا از تابع روند در برآورد تغییرنگار و پیش‌گویی داده‌های فضایی از اهمیت بالایی برخوردار است. در این مقاله برای مدل‌بندی تابع روند از روش رگرسیون بردار پشتیبان استفاده شده است. سپس داده‌ها روندزدایی شده و برآورد تغییرنگار و پیش‌گویی انجام می‌شود. بر روی یک مجموعه داده واقعی، نتایج پیش‌گویی حاصل از روش پیشنهادی با روش پیش‌گویی اسپلاین و کریگیدن از طریق اعتبارسنجی متقابل مقایسه شده است. کمینه بودن ریشه دوم میانگین توان‌های دوم خطا  معیار انتخاب روش مناسب پیش‌گویی است. نتایج پیش‌گویی برای چند موقعیت با مقادیر معلوم که بنا به دلایلی از مجموعه داده‌ها کنار گذاشته شده‌اند و برای موقعیت‌های جدید به‌دست آمده‌اند. نتایج بیانگر دقت بالای پیش‌گویی با روش پیشنهادی  نسبت به کریگیدن و اسپلاین است.

با پیشرفت علوم زیستی و فناوری‌های نوین، داده‌های با ابعاد بالا که در آن‌ها تعداد متغیرهای مستقل از تعداد مشاهدات بیشتر است، در حوزه‌های مختلف گسترش یافته‌اند. داده‌های بیان‌ژنی مرتبط با تولید ریبوفلاوین یا ویتامین $B_2$ نمونه‌ای از این داده‌ها هستند. وجود تعداد زیاد متغیرها و همخطی میان آن‌ها، استفاده از روش‌های رگرسیونی کلاسیک را با چالش مواجه می‌سازد. ازاین‌رو، روش‌های منظم‌سازی و کاهش ابعاد مانند رگرسیون ریج، لاسو، الاستیک نت و کمترین مربعات جزئی، به‌منظور افزایش پایداری مدل و بهبود پیش‌بینی توسعه یافته‌اند. همچنین، روش‌های یادگیری ماشین مانند ماشین‌های بردار پشتیبان و رگرسیون بردار پشتیبان با توانایی مدل‌سازی روابط پیچیده و غیرخطی، در تحلیل داده‌های با ابعاد بالا کاربرد گسترده‌ای یافته‌اند. در این پژوهش، روش‌های رگرسیونی و یادگیری ماشین شامل ریج، لاسو، الاستیک نت، PLS ،SVM و SVR بر روی داده‌های واقعی و شبیه‌سازی‌شده بررسی می‌شوند تا عملکرد آن‌ها ارزیابی گردد.