JMP系統工程師Sam Gardner在JMP 9神經平台上進行了網絡直播。改造了 JMP 9 ，新的神經平台增強交互式數據挖掘通過提供更豐富的建模選項，改進的速度和性能以及簡化分析的計算。
我想我會分享Sam對JMP用戶提出的一些問題的回答。
問： 神經網似乎是非線性回歸，它對邊界條件非常敏感，因此經常不穩定。神經網絡優於非線性回歸的優勢是什麼？
A： 神經網絡是一種非線性模型。當您建模的響應是輸入的相對平滑的函數時，它們往往能夠很好地工作。當您有邊界條件（例如y（x）= 0表示x <= 0）或響應中的不連續時，神經網絡不能正常工作。神經網絡的一個優點是，您可以輕鬆地將復雜模型擬合到數據中，而無需擔心模型的功能形式，而對於一般的非線性建模，您必須完全指定要使用的模型。
問： 我可以使用分類變量作為神經網絡的輸入嗎？
A： 是。JMP在分類輸入中的每個級別的後台（而不是數據表）中創建指示符變量。例如，如果輸入是“food”且類別是“apples”，“oranges”和“bananas”，則JMP會為神經網絡創建三個輸入變量：
food1 =（食物==“蘋果”）
food2 =（食物==“香蕉”）
food3 =（食物==“橘子”）
因為這是在後台完成的，所以當您保存預測方程時，將使用方程內的指示函數創建新變量。
問： 我可以使用神經網絡來擬合二進制Y變量嗎？
A： 是的，您可以在神經網絡中擬合二元或多級分類Y變量。唯一的區別是您建模的輸出是分類Y出現頻率的概率。
問： 在我有模型之後，我是否可以定期添加新數據以將模型用於預測目的？
A： 如果添加要包含在模型擬合中的數據，則必須重新構建神經模型。如果您只希望根據已保存到數據表的模型方程對新輸入值進行預測，則只需添加包含輸入值的一行數據，然後JMP將計算預測中的輸出值公式欄。
問： 什麼是tanh功能？
A： 雙曲正切（tanh）函數歷史上一直是在神經網絡中使用的流行激活函數。它具有很好的性質（tanh的輸出界限在-1,1之間，輸入的有效範圍是-3,3，它是平滑的，並且是可微分的）並且允許非常靈活的非線性建模。在 JMP Pro （JMP系列中的新產品），我們還允許線性和高斯激活功能。
問： 神經網絡可以用於時間序列分析嗎？
A： 從技術上講，答案是肯定的。神經網絡的輸入將是時間指示器，因此您將推斷超出訓練數據的範圍（即，預測未來對訓練數據集範圍之外的時間值的響應），因此請謹慎使用此做法。通常，神經網絡不能很好地推斷超出訓練數據的範圍。
問： 有沒有辦法確定哪些變量對輸出變量有更大的影響？
A： JMP不計算神經網絡的變量重要性度量。但是，您可以使用JMP Profilers直觀地查看變量重要性。
一些用戶想知道如何利用與JMP 8或更早版本中使用的神經網絡平台的向後兼容性。Sam展示瞭如何編寫腳本以從JMP 9調用神經網絡。現在觀看。
您還可以將神經網絡選項添加到JMP 9菜單中。現在觀看。
柯特波爾曼中寫道：
感謝您提供解釋如何將神經網絡選項添加到JMP 9菜單的視頻。但是，看起來這些說明特定於Windows版本的JMP 9，我無法使用Mac版本的JMP 9複製這些步驟。我在這裡錯過了什麼嗎？
