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
在本视频中，我们使用了 Chemical Manufacturing 2 数据。 我们拟合了一个神经网络模型屈服在此演示中使用标准版 JMP 中可用的选项。
首先，我们选择分析，然后是预测建模，然后是神经。
我们首先添加屈服作为 Y，响应变量。
对于本视频，我们仅使用三个变量进行说明：容器尺寸、胺供应商和氨基甲酸酯量。 我们选择这些变量为 X、Factor，然后单击 OK。
为了验证，我们使用了保留部分。 为了重现性，我们将随机种子设置为 1234，并使用默认的保留部分 0.333。 也就是说，三分之一的数据将被保留在模型构建之外以进行验证。
在 JMP 的标准版本中，您可以拟合具有一个隐藏层和 TanH 激活函数的神经模型。 默认模型在隐藏层中具有三个节点。
我们将单击 Go 来拟合此模型。
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。 该模型在输入层具有三个变量，一个具有三个节点的隐藏层和输出层。
提供了训练的统计数据和保持验证数据。 对于此模型，RMSE 为 2.73，R 方为 0.233。
让我们看看这个模型的参数估计。 为了显示估计值，我们从模型的红色三角形中选择 Show Estimates。
隐藏层和输出层都有参数估计。
对于隐藏层中的每个节点，每个输入变量都有一个截距和参数估计。 连续预测变量（氨基甲酸酯量）有一个参数估计，两级分类预测变量（胺供应商）有一个参数估计。 Vessel Size 具有三个级别，因此有两个参数估计值。
为了了解这些估计值如何用于预测产量，我们从模型的红色三角形中选择保存公式。
这会为隐藏层中的每个节点保存列，并为预测的 Yield 保存一列。 当我们查看其中一个隐藏层中的公式时，您可以看到使用了 TanH 函数。
让我们看一下预测收益率的公式。 您可以看到这只是隐藏层中每个节点的输出的线性组合。
为了探索这个模型，我们可以使用预测分析器。 为此，我们从模型的红色三角形中选择 Profiler。
当我们更改预测变量的值时，您可以看到预测的产量如何变化。
