Matematiikassa parhaiten sopiva viiva on viiva, joka voidaan piirtää pisteiden suhteen hajonta -aineistossa. Hajontakaaviot tehdään, kun kahden ominaisuuden ominaisuudet liittyvät toisiinsa, kuten päivä ja päivän korkea lämpötila. Parhaiten istuva viiva kuvaa parhaiten sirontakaavion pisteitä, kun keskimääräinen ero viivan vetämispaikan ja lähimmän pisteen välillä on pienin. Tämä on helppo tarkistaa pienimmän neliösumman menetelmällä. Joskus yhtälöitä käytetään kuvaamaan viivoja funktiona, kun vain yksi piste liittyy parhaiten sopivan suoran pisteeseen.
On tärkeää ymmärtää, että kaikilla linjoilla on kaltevuus ja leikkauspiste. Kaltevuus kuvaa kuinka nopeasti viiva muuttuu kahden suhteen välillä. Leikkaus kuvaa pistettä, jolloin osa suhteesta muuttuu nollaksi, jos viivaa pidennetään tähän pisteeseen.
Hyvin sopivan linjan kehittäminen on hyödyllistä, koska sen avulla voidaan tehdä ennusteita, kun tietoja ei esitetä. Jos piirretään vain kaksi pistettä, vain yksi viiva voidaan piirtää viivaimella suoraksi viivaksi kahden pisteen väliin. Vain kaksi pistettä parhaiten sopiva viiva on tarkka eikä sitä tarvitse tarkistaa. Se voi nyt näyttää suhteen tarkan sijainnin, joka laskeutuisi kahden pisteen väliin.
Kahden hajautuskaavion avulla suurin osa tiedoista tallennetaan tilastoihin. Useimmissa hajontakaavioissa on monia pisteitä, eikä viivoitin käyttämällä parhaiten sopivan viivan piirtämistä ole enää oikea tekniikka. Jos suhdetta pidetään ensimmäisenä järjestettynä, parhaiten sopiva viiva on edelleen suora, mutta tämän viivan ei tarvitse koskea pisteisiin.
Pienimmän neliön menetelmä määrittää, sopiiko yksi rivi dataan paremmin kuin toinen. Se tekee tämän näkemällä, onko kunkin piirretyn pisteen ja suoran ennustaman pisteen välinen ero pienin mahdollinen ero. Erojen keskiarvoistaminen antaa luvun, joka osoittaa, kuinka hyvin rivi sopii tietoihin. Muut rivit saattavat saada pienemmän arvon ja niistä voi tulla uusi parhaiten sopiva rivi prosessissa, jota kutsutaan lineaariseksi regressioksi.
Kaikki viivat eivät ole suoria, monet ovat kaaria ja jopa kolmiulotteisia. Moninkertainen lineaarinen regressio on tilastollinen tekniikka, jota käytetään löytämään sopivin viiva datalle, joka ei seuraa suoraa. Regressio viittaa käyrään ja pinnan sovittamiseen, mutta jopa näissä paljon tiukemmissa parhaan istuvuuden käyttötapoissa käytetään pienimmän neliön menetelmää tulosten tarkistamiseen ja vertaamiseen.