Wiedza a priori Problemy modelowania matematycznego często klasyfikuje się jako „czarne skrzynki” (ang. black-box) lub „białe skrzynki” (ang. white-box), w zależności od ilości informacji o układzie posiadanych przed modelowaniem. Model „czarnej skrzynki” przedstawia układ, o którym nie posiada się absolutnie żadnej informacji, podczas gdy model „białej skrzynki” przedstawia układ, o którego działaniu ma się pełną wiedzę. W rzeczywistości wszystkie układy plasują się pomiędzy tymi dwoma modelami idealnymi.
Zazwyczaj preferowane jest wykorzystanie możliwie dużej ilości wiedzy a priori, aby uzyskany model był dokładniejszy. Modele „białej skrzynki” są uważane za prostsze, gdyż jeśli tylko wiedzy a priori użyto poprawnie, to model będzie zachowywał się zgodnie z rzeczywistym układem. Często informacja posiadana wcześniej o układzie ukazuje nam rodzaj zależności (charakter funkcji) wiążącej zmienne układu. Na przykład, gdy tworzy się model działania leku w ludzkim organizmie, wiadomo, że zazwyczaj ilość leku we krwi maleje wykładniczo wraz z czasem.