Denna studie syftar till att fördjupa kunskapen kring funktionell dataanalys, ett relativt nytt och mindre känt område inom statistiken. Studien fokuserar på att beskriva funktionellt data, utforska metoder för att representera det, undersöka metoder för val av hyperparametrar och utvärderingsmått. Studien simulerade 32 olika scenarion, vardera med 500 repetitioner. För varje repetition användes Generalized Cross Validation (GCV) och Leave-One-Out Cross Validation(LOOCV) för att bestämma hyperparametrar. Metodernas prestanda utvärderades med Mean Squared Error (MSE) och en form av riemannsumma som här kallas för . Resultaten visar att Spline’s bassystem presterade bäst för icke-cykliskt data medan Fourier’s bassystem presterade bäst för cykliskt data, dessa metoder var dessutom de mest tidseffektiva. Resultaten stödjer tidigare forskning som rekommenderar Fourier’s bassystem för cykliskt data och Spline’s bassystem för icke-cykliskt data. Generellt presterade kernelmetoderna sämre och var mer tidskrävande. GCV gav generellt mjukare skattningar än LOOCV, men var långsammare, troligen på grund av egengjorda funktioner som inte var optimerade. MSE fungerade dåligt som utvärderingsmått eftersom det tenderar till att överskatta modeller som överanpassar till data. Alternativa utvärderingsmått som tar hänsyn till överanpassning behövs.