在我们的免费在线课程中了解更多信息：
工业问题解决的统计思维
LITHIUM.OoyalaPlayer.addVideo('https:\/\/player.ooyala.com\/static\/v4\/production\/', 'lia-vid-F5c2o4ajE6M0PGrRUmD-uk5717YA94fww1600h900r743', 'F5c2o4ajE6M0PGrRUmD-uk5717YA94fw', {"pcode":"ltbGkyOjMl3V3pZ3Trn6T2z1_rjF","playerBrandingId":"ODI0MmQ3NjNhYWVjODliZTgzY2ZkMDdi","width":"1600px","height":"900px"});
（在“我的视频”中查看）
在此示例中，我们使用杂质X逻辑数据，使用X拟合Y来拟合结果和催化剂浓度的逻辑回归模型。
分析>通过X拟合Y
结果作为Y，响应和催化剂浓度作为X，因子。
左下角的分析键告诉我们，JMP将进行逻辑回归分析。我们还看到目标水平是失败，这是我们感兴趣的建模结果。
默认情况下，JMP对结果的概率进行字母数字建模。如果需要，我们可以使用此字段更改目标类别。在此示例中，我们将对失败的概率进行建模。
值排序列属性
注意，我们还可以通过设置“值顺序”列属性来更改在所有分析中建模的值。为此，我们右键单击数据表中的列名称，选择“列属性”，然后选择“值排序”。
失败已经在列表中的第一位，因此我们只需取消，返回分析对话框，然后单击“确定”即可运行分析。
默认图为逻辑曲线。从曲线中可以看出，随着Catalyst Conc值的增加，失败的可能性也会增加。
从曲线的陡峭度，我们可以看到这种关系是很牢固的。数据点以Catalyst Conc的值绘制（在X轴上），并根据结果显示在曲线的上方或下方。曲线下方标出了不符合杂质标准的批次，并相对于Y轴随机散布。
我们可以使用该模型来预测不同浓度的Catalyst Conc的结果。当我们从顶部的红色三角形中选择“保存概率公式”时，JMP将向数据表中添加四个新列。
Lin [Fail]是logit，即逻辑模型。当我们查看公式时，我们会看到在参数估计表中报告的截距和斜率系数。 接下来的两列Prob [Fail]和Prob [Pass]是根据logit计算的预测概率。在第一行中，我们看到基于Catalyst Conc为1.5的Prob [Fail]为0.11。第四列，最有可能的结果，根据具有最高预测概率的结果将结果分类为失败或通过。在第一行中，Prob [Pass]是最高的，因此结果被归类为Pass。
返回分析窗口，我们可以在“拟合详细信息”报告中查看错误分类率，以查看模型的性能如何。对于仅包含Catalyst Conc的逻辑模型，总体错误分类率为15％。也就是说，模型中有15％的观察结果被错误分类。这个简单的逻辑回归模型有15％的时间是错误的。我们可以做得更好吗？在下一个视频中，我们将建立一个更复杂的模型，以查看是否可以提高总体错误分类率。
