Linia najlepszego dopasowania – inaczej określana również jako linia regresji, to linia reprezentująca trend dla danych rozproszonych dotyczących związku między przynajmniej dwoma zmiennymi. Minimalizuje ona sumę kwadratów odchyleń punktów poszczególnych obserwacji od siebie, co pozwala wytyczyć najlepszą aproksymację zależności między zmiennymi.

Przeważnie linię dopasowania kojarzymy z prostą na wykresie rozrzutu, co wynika z popularności metod estymacji liniowej, takich jak regresji liniowej (prostej lub wielorakiej). Jednak linia najlepszego dopasowania zależy od wybranej metody regresji, która może opisywać zarówno zależności liniowe, jak i nieliniowe (np. logistyczne, wielomianowe czy wykładnicze). Dopasowanie modelu opiera się na minimalizacji reszt regresji, które pokazują różnicę między wartościami rzeczywistymi (naszymi danymi) a przewidywanymi (linią dopasowania) przez model.

Linia najlepszego dopasowania używana jest zatem do przewidywania wartości jednej zmiennej (zależnej lub inaczej wyjaśnianej) na podstawie wartości innej zmiennej (niezależnej lub inaczej wyjaśniającej). W kontekście analizy danych biznesowych, linia najlepszego dopasowania może być używana m.in. do przewidywania przyszłych sprzedaży na podstawie danych historycznych, a także do oceny wpływu zmian cen na popyt, pozwalając firmom optymalizować strategie cenowe. W kontekście badań psychologicznych, linia najlepszego dopasowania pozwala nam odnaleźć najlepsze predyktory wystąpienia zaburzeń psychicznych.

Linia najlepszego dopasowania nie daje jedynie wartości przewidywanych, ale także pozwala ustalić siłę i kierunek korelacji między zmiennymi przy uwzględnieniu zmiennych kontrolowanych i zakłócających. W efekcie, linia ta pozwala obliczyć współczynnik determinacji, który określany jest jako R-kwadrat, pozwalający określić jaki procent wariancji (zmienności) zmiennej zależnej jest wyjaśniany przez zmienną lub zmienne niezależne. Wysoki współczynnik R² wskazuje na to, że model dobrze pasuje do danych, podczas gdy niski współczynnik sugeruje, że model może nie być odpowiedni, co może wymagać korekty w postaci weryfikacji naszych danych lub wykorzystania innego modelu np. regresji nieliniowej.