是什么促使你提出这个愿望清单请求？
此帮助页面（ https://www.jmp.com/support/help/en/19.1/#page/jmp/example-of-confidence-intervals-using-bagging.shtml ）介绍了一种使用 bagging 算法为神经网络预测模型生成置信区间的方法。我认为，通过使用 RASE 作为正态误差项的估计值，可以轻松地将此方法扩展到预测区间。此外，新的数据点和预测区间可视化工具可以与此预测区间实现结合使用。这将允许用户直观地检查模型对数据点的覆盖情况。JMP 目前仅对模型的点预测进行模型检查。这将有助于确保误差项也得到正确估计。
您希望看到哪些改进？
以下是 bagging 方法得到的置信区间的输出结果：
我使用 RASE 和正态误差计算了预测区间，然后修改了列属性，使用 JMP 18 中的新预测区间可视化功能生成了类似这样的图表。基本上，我希望神经网络 bagging 生成的默认置信区间分析器生成的图表类似于下图，而不是上图。我附上了帮助页面中轮胎胎面示例的 JMP 表格，以便您查看我的计算和实现。第一个脚本“Bagging Profiler”与帮助页面中的脚本完全相同。第二个分析器“Pred Formula ABRASION Profiler”是我自定义的分析器，添加了数据点和预测区间。
现在预测区间已经计算出来了，我可以既在分析器中直观地检查数据点覆盖率，又在表格中以数值方式检查数据点覆盖率。
为什么这个想法很重要？
令我感到非常奇怪的是，神经网络和类似的预测性黑箱模型明明应该擅长预测，却或多或少地忽略了不确定性。我一直希望能够获得预测区间，以便检验模型（包括误差项）是否能够很好地模拟现有数据和新数据。使用 bagging 生成置信区间是一个正确的方向，但你仍然无法通过将数据与平均置信区间进行比较来验证模型。你需要将数据与预测区间进行比较。这种方法本质上提供了一种检查误差项本身有效性的方法，并将实际数据与模型的预测区间进行比较，以确保大多数数据点都落在预测区间内。所有这些都将提供另一种模型检验方法，如果模型拟合良好且预测区间覆盖率也不错，那么就能增强人们对模型的信心。这种方法的优点在于，它应该可以用于大多数通常不具备置信区间或预测区间的模型，例如神经网络。
