神经网络节点
神经网络可以近似多种预测模型，而对模型结构和假设只有最小需求。 关系的形式是在学习过程中确定的。 如果目标与预测变量之间的线性关系合适，那么神经网络的结果应该与传统线性模型的结果非常相似。 如果非线性关系更为合适，那么神经网络将自动接近于“正确的”模型结构。
此灵活性的缺点是，不容易对神经网络进行解释。 如果要尝试解释在目标与预测变量之间生成关系的底层过程，那么最好使用更为传统的统计模型。 但是，如果模型可解释性并不重要，那么使用神经网络可以获得良好的预测。
字段要求。 必须至少有一个目标字段和一个输入字段。 将忽略设置为“两者”或“无”的字段。 对于目标或预测变量（输入），没有测量级别限制。
在模型构建期间分配给神经网络（从而分配给所生成的最终模型）的初始权重取决于数据中字段的顺序。 Watsonx.ai 在将数据提交给神经网络进行训练之前，会自动按字段名称对数据进行排序。 这意味着，在模型构建器中设置随机种子后，显式更改上游数据中的字段顺序不会影响所生成的神经网络模型。 但是，如果更改输入字段名称造成字段排序顺序出现变化，那么将会生成不同的神经网络模型，即使在模型构建器中设置了随机种子也是如此。 不同的字段名称排序顺序并不会对模型质量产生显著影响。