神经网络是模拟人类大脑处理信息方式的简化模型。此模型通过模拟大量类似于神经元的抽象形式的互连处理单元而运行。这些处理单元都位于层中。通常在神经网络中有三个部分：一个输入层，其中的单元表示输入字段；一个或多个隐藏层；一个输出层，带有一个或多个表示目标字段的单元。这些单元通过可变的连接强度（或权重）连接。输入数据显示在第一层，其值从每个神经元传播到下一层的每个神经元。最终从输出层中输出结果。 该网络可通过以下过程进行学习，即检查单个记录，然后为每个记录生成预测，并且当生成的预测不正确时，对权重进行调整。在满足一个或多个停止标准之前，此过程会不断重复，而网络会持续提高其预测准确度。 最初，所有的权重都是随机生成的，并且从网络输出的结果很可能没有意义的。网络可通过训练来学习。向该网络重复应用已知道结果的示例，并将网络给出的结果与已知的结果进行比较。从此比较中得出的信息会传递回网络，并逐渐改变权重。 随着训练的进行，该网络对已知结果的复制会变得越来越准确。一旦训练完毕，就可以将网络应用到未知结果的未来案例中。另外，该模型提供了一个误差图。
对话框选项
最大迭代数
模型训练的最大迭代次数。
隐藏层数
指定神经网络结构的隐藏层数。
隐藏层单元数
指定每个隐藏层的神经单元数。
忽略缺失值
如果选中此项，带有缺失值的记录将不会参与训练。
使用静态种子
如果选中此项，需要指定一个种子数。这样可以保证每次运算时提供的初始值都是相同的。否则每次的初始值都会不同，进而可能导致预测结果不同。
随机种子
为随机数生成器设置种子。
端口
输入端口

输出端口

视图
误差图
显示每次迭代的误差。