在我們的免費在線課程中了解更多信息：
解決工業問題的統計思維
在本視頻中，我們使用 Chemical Manufacturing 2 數據。 我們擬合一個神經網絡模型屈服使用 JMP 標準版中提供的選項進行演示。
首先，我們選擇分析，然後選擇預測建模，然後選擇神經。
我們首先添加屈服作為 Y，響應變量。
對於本視頻，我們僅使用三個變量進行說明：容器大小、胺供應商和氨基甲酸酯量。 我們選擇這些變量作為 X、因子，然後單擊確定。
為了驗證，我們使用了一個保留部分。 我們將隨機種子設置為 1234 以實現可重複性，並使用默認的保留部分 0.333。 也就是說，三分之一的數據將保留在模型構建之外以進行驗證。
在 JMP 的標準版本中，您可以擬合具有一個隱藏層和 TanH 激活函數的神經模型。 默認模型在隱藏層中有三個節點。
我們將點擊 Go 來擬合這個模型。
讓我們看一下這個模型的圖表。 為此，我們從模型的紅色三角形中選擇圖表。 該模型在輸入層具有三個變量，一個具有三個節點的隱藏層和輸出層。
提供了訓練和堅持驗證數據的統計數據。 對於此模型，RMSE 為 2.73，RSquare 為 0.233。
讓我們看看這個模型的參數估計值。 要顯示估計值，我們從模型的紅色小三角中選擇顯示估計值。
隱藏層和輸出層都有參數估計。
對於隱藏層中的每個節點，每個輸入變量都有一個截距和參數估計。 連續預測變量（氨基甲酸酯量）有一個參數估計值，二級分類預測變量（胺供應商）有一個參數估計值。 Vessel Size 具有三個水平，因此有兩個參數估計值。
要查看這些估計值如何用於預測收益率，我們從模型的紅色三角形中選擇保存公式。
這為隱藏層中的每個節點保存了列，還為預測的 Yield 保存了一列。 當我們查看其中一個隱藏層中的公式時，您可以看到使用了 TanH 函數。
讓我們看看預測收益率的公式。 您可以看到這只是隱藏層中每個節點的輸出的線性組合。
為了探索這個模型，我們可以使用預測分析器。 為此，我們從模型的紅色小三角中選擇 Profiler。
當我們更改預測變量的值時，您可以看到預測產量如何變化。
