Die Forderung nach Möglichkeiten einer automatisierten Wertermittlung scheitert regelmäßig an der Bewertung kaufpreisarmer Lagen. Eine Auswertung der kaufpreisarmen Lagen in aggregierten größeren Stichproben gelingt mit klassischen Vorgehensweisen nicht. Ein Grund dafür können auftretende Nichtlinearitäten sein. Daher werden in diesem Beitrag Künstliche Neuronale Netze (KNN) als eine nichtparametrische und nichtlineare Methode der etablierten klassischen Multiplen Linearen Regression (MLR) gegenübergestellt. Anhand zweier Beispieldatensätze – Vergleichsfaktoren für Einfamilienhäuser in Hannover und niedersachsenweite Liegenschaftszinssätze – werden beide Methoden auf ihre Leistungsfähigkeit untersucht. Anhand von etablierten Gütemaßen erfolgt die Bewertung der Methoden. Liegen nichtlineare Zusammenhänge vor, sind im Fall von hinreichend großen Stichproben KNN der MLR überlegen, was sich für die Auswertung der niedersachsenweiten Liegenschaftszinssätze bestätigt hat. Im Fall der Einfamilienhäuser in Hannover liefert die MLR aufgrund der geringen Datenmengen die bessere Schätzung. Eine Vergrößerung der Stichprobe auf Basis einer strukturerhaltenden Methode hat sich in dieser ersten Untersuchung als vorteilhaft erwiesen. Aufgrund des Bedarfs an größeren Datenmengen wird die Stichprobengenerierung mittels Simulationsmethoden sowie die Nutzbarmachung von fehlerhaften oder unvollständigen Daten Fokus zukünftiger Forschung sein.