Polinomu regresijas modelēšanā parasti tiek izmantota apakškopas izvēles pieeja. Šajā pieejā tiek pieņemts, ka izvēlētā fiksētā iepriekš definēto bāzes funkciju kopa satur apakškopu, ar kuru pietiek, lai pietiekoši labi aprakstītu mērķa sakarību. Taču mēs uzskatam, ka nepieciešamo bāzes funkciju kopa visbiežāk nav zināma un to ir jācenšas uzminēt vai izvēlēties, izmantojot pieredzi. Daudzos gadījumos tas nozīmē sarežģītu (un ilgu) mēģinājumu un kļūdu procesu, kas var ģenerēt funkciju kopas, ar kurām, pat izmantojot heiristiskas pārmeklēšanas metodes, strādāt ir nepraktiski pat problēmās ar mērenu sarežģītību. Ērtāks veids būtu ļaut modelēšanas metodei pašai konstruēt bāzes funkcijas, kas tai ir nepieciešamas regresijas modeļu izveidei ar pietiekamu paredzēšanas spēju. Rakstā tiek apskatīta polinomu regresijas modelēšanas pieeja ar automātisku bāzes funkciju konstruēšanu, izmantojot heiristisku pārmeklēšanu. Lietotājam modeļu izveidei nav iepriekš jādefinē bāzes funkciju kopa. Pētījumu rezultātā tika izstrādāta apskatītās pieejas instance – jauna regresijas modelēšanas metode, kas spēj ģenerēt jebkuras sarežģītības polinomus. Lai novērtētu piedāvāto metodi, tā tiek salīdzināta ar divām labi zināmām un bieži lietotām apakškopas izvēles metodēm, izmantojot kā mākslīgus tā arī reālās pasaules datus.