通过使用附加的数据集，您将学习使用预测建模技术（例如回归，神经网络和决策树）来构建更好，更有用的模型。重点将放在通过JMP PRO能够带来附加价值的一些示例中，使JMP发挥最大作用。 您将学习将数据划分为训练，验证（调整）和测试集，以防止过度拟合。您将看到如何使用比较技术-特别是的情节验证组的实际值与预测值-找到最佳的预测模型。该网络广播面向有兴趣学习预测建模如何帮助他们使用必须进行更好的预测的数据的JMP用户。
响应数据将包括二进制响应（通过/失败，接受/拒绝，命中/失败等），连续响应（包括0和1之间的比例）和分类响应（不同类型的网络攻击）。 自变量将包括连续和/或分类类型。
精通JMP系列的相关网络广播包括：
-预测建模马尔科姆·摩尔（Malcolm Moore）
-使用JMP Pro进行高级建模通过山姆加德纳
-数据挖掘和预测建模通过山姆加德纳
-使用JMP 9神经网络进行预测建模通过山姆加德纳
这方面的参考书包括：
使用JMP进行预测分析的基础 ，由Klimberg和McCullough撰写-所有示例均与JMP合作
统计学习的要素由Hastie，Tibshirani和Friedman撰写-权威，在数学上更深入
上面的链接将引导您到与书籍相关的数据集。
以下是六个模型的二进制响应与二进制预测的实际散点图与预测散点图矩阵。
以下是针对三种不同类型的模型具有6个解释因素的相同响应的Prediction Profiler。
以下是实际与 在Graph Builder中按验证组为分区模型预测的图。
