通過使用附加的數據集，您將學習使用預測建模技術（例如回歸，神經網絡和決策樹）來構建更好，更有用的模型。重點是充分利用JMP，並列舉一些JMP PRO能夠帶來附加價值的示例。 您將學習將數據劃分為訓練，驗證（調整）和測試集，以防止過度擬合。您將看到如何使用比較技術-特別是的情節驗證組的實際值與預測值-找到最佳的預測模型。該網絡廣播面向有興趣學習預測建模如何幫助他們使用必須進行更好的預測的數據的JMP用戶。
響應數據將包括二進制響應（通過/失敗，接受/拒絕，命中/失敗等），連續響應（包括0和1之間的比例）和分類響應（不同類型的網絡攻擊）。 自變量將包括連續和/或分類類型。
精通JMP系列的相關網絡廣播包括：
-預測建模馬爾科姆·摩爾（Malcolm Moore）
-使用JMP Pro進行高級建模通過山姆加德納
-數據挖掘和預測建模通過山姆加德納
-使用JMP 9神經網絡進行預測建模通過山姆加德納
這方面的參考書包括：
使用JMP進行預測分析的基礎 ，由Klimberg和McCullough撰寫-所有示例均與JMP合作
統計學習的要素由Hastie，Tibshirani和Friedman撰寫-權威，在數學上更深入
上面的鏈接將引導您到與書籍相關的數據集。
以下是六種模型的二進制響應與二進制預測的實際與預測散點圖矩陣。
以下是針對三種不同類型的模型具有6個解釋因素的相同響應的Prediction Profiler。
以下是實際與 在Graph Builder中按驗證組為分區模型預測的圖。
