在我们的免费在线课程中了解更多信息：
解决工业问题的统计思维
在此示例中，我们使用 Chemical Manufacturing 2 数据。 我们为分类响应拟合神经网络模型，表现，使用所有可用的预测变量和验证列。 我们使用 JMP Pro 中提供的选项进行此演示。
首先，我们选择分析，然后选择预测建模，然后选择神经。
我们首先添加表现作为 Y，响应变量。
我们选择两组预测变量作为 X，Factor。
您可以输入随机种子以实现再现性，但我们不会在本示例中使用随机种子。 因此，如果您继续操作，您的结果可能会略有不同。
最后，我们选择验证列作为验证变量，然后单击“确定”。
提供了一个模型启动对话框，它有很多选项。 默认模型有一个隐藏层，三个节点使用 TanH 激活函数。
我们将拟合具有两个隐藏层和多个节点的神经模型。
对于最接近输出的第一层，我们将使用每个激活函数的一个节点。
对于最接近预测变量的第二层，我们将使用来自每个激活函数的三个节点。
我们将单击 Go 运行模型。
让我们看一下这个模型的图表。 为此，我们从模型的红色三角形中选择图表。 该模型在输入层、两个具有不同激活函数的隐藏层和输出层中有 16 个预测器。
因为我们有一个分类响应，所以该模型用于预测两个性能类的成员概率：接受和拒绝。
JMP 报告训练和验证数据的误分类率和混淆矩阵。 ROC 曲线和提升曲线是模型的红色三角选项。
您可以看到模型在训练数据上的表现优于在验证数据上的表现。 请记住，神经网络往往会过度拟合您的数据。 当你拟合一个神经网络时，你应该有一个测试集来评估你的模型在应用于新数据时的性能。
为了探索这个模型，我们可以使用探查器。 因为我们有一个分类响应，所以我们将从红色三角形中选择分类刻画器。 我们有很多变量，因此我们将按行排列。
为此，我们从分析器的红色三角形中选择外观，然后按行排列。 我们将输入 8 以排列成两行，每行八个。
您可以看到预测概率如何随着我们更改预测变量的值而变化。 探查器还显示了该神经模型的非线性特性。
神经网络使用所有预测变量构建模型。
让我们看看哪些预测变量最重要。 为此，我们将从刻画器的红色小三角中选择“评估变量重要性”，然后选择第一个选项“独立统一输入”。 这会进行模拟以隔离各个预测变量的影响。
从此模拟中，您可以看到一些预测变量在模型中比其他预测变量更重要。
