Bei der Auslegung von Wellen für Antriebsstränge ist es von großer Bedeutung, die effektive Spannung in kritischen Kerben genau zu kennen. Bei Nennspannungsansätzen werden Formzahlen verwendet, um die Spannung in der Kerbe auf der Grundlage der geometrischen Eigenschaften der Welle abzuschätzen. Sie können mit numerischen Verfahren wie der Finite-Elemente-Methode berechnet werden, was sehr zeitaufwändig sein kann. Für einfache Geometrien wie Absätze und Rundnuten wurden analytische Gleichungen entwickelt, die zwar weniger genau, aber wesentlich schneller als numerische Lösungen sind. In dieser Arbeit wird maschinelles Lernen eingesetzt, um die Vorteile beider Lösungen zu kombinieren. Es wird eine Prozesskette zur Entwicklung von Modellen für die Berechnung von Formzahlen vorgestellt. Sie besteht aus Verfahren zur Datenverarbeitung, der Erstellung und dem Training von Regressionsmodellen und der Auswertung der Ergebnisse. Mit dieser Toolbox können verschiedene Regressionsmodelle für unterschiedliche Aufgaben verwendet werden, ohne dass größere Änderungen am Quellcode notwendig sind. Der Prozess wird für Wellenabsätze unter Zug/Druck, Biegung und Torsion veranschaulicht. Das resultierende Modell ist in der Lage, Formzahlen mit höherer Genauigkeit zu berechnen als herkömmliche analytische Ansätze bei vergleichbarer Rechenzeit.