在我們的免費在線課程中了解更多信息：
工業問題解決的統計思維
在此示例中，我們使用 Chemical Manufacturing 2 數據。 我們為分類響應擬合了一個神經網絡模型，表現，使用所有可用的預測變量和驗證列。 我們使用 JMP Pro 中可用的選項進行此演示。
首先，我們選擇分析，然後是預測建模，然後是神經。
我們首先添加表現作為 Y，響應變量。
我們選擇兩組預測變量作為 X，Factor。
您可以輸入隨機種子以獲得可重複性，但我們不會在此示例中使用隨機種子。 因此，如果您跟隨，您的結果可能會略有不同。
最後，我們選擇驗證列作為驗證變量，然後單擊確定。
提供了一個模型啟動對話框，它有很多選項。 默認模型有一個隱藏層，三個節點使用 TanH 激活函數。
我們將擬合一個具有兩個隱藏層和幾個節點的神經模型。
對於最接近輸出的第一層，我們將使用每個激活函數中的一個節點。
對於最接近預測變量的第二層，我們將使用來自每個激活函數的三個節點。
我們將單擊 Go 運行模型。
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、兩個具有不同激活函數的隱藏層和輸出層中有 16 個預測器。
因為我們有一個分類響應，所以該模型用於預測兩個性能類別的成員概率：接受和拒絕。
JMP 報告訓練和驗證數據的錯誤分類率和混淆矩陣。 ROC 曲線和提升曲線是模型的紅色三角形選項。
您可以看到模型在訓練數據上的表現優於在驗證數據上的表現。 請記住，神經網絡往往會過度擬合您的數據。 當你擬合一個神經網絡時，你應該有一個測試集來評估你的模型在應用於新數據時的性能。
為了探索這個模型，我們可以使用分析器。 因為我們有一個分類響應，所以我們將從紅色三角形中選擇分類分析器。 我們有很多變量，所以我們將其排列成行。
為此，我們從分析器的紅色三角形中選擇外觀，然後按行排列。 我們將輸入 8 以排列成兩行，每行 8 個。
您可以看到隨著我們更改預測變量的值，預測概率如何變化。 該分析器還顯示了該神經模型的非線性特性。
神經網絡使用所有預測變量構建模型。
讓我們看看哪些預測變量最重要。 為此，我們將從分析器的紅色三角形中選擇 Assess Variable Importance，然後選擇第一個選項 Independent Uniform Inputs。 這將進行模擬以隔離各個預測變量的影響。
從這個模擬中，您可以看到一些預測變量在模型中比其他預測變量更重要。
