> 估计神经网络
要估计模型，请选择类型（即分类或回归）、响应变量以及一个或多个解释变量。点击`Estimate`按钮或按`CTRL-enter`（在 Mac 上为`CMD-enter`）生成结果。可通过更改`Size`（即隐藏层中的节点数）和调整`Decay`（衰减率）对模型进行 “调优”。`Decay`设置的值越高，对权重（平方和）大小的惩罚就越重。当`Decay`设为 0 时，模型具有最大的灵活性来准确拟合（训练）数据。然而，没有`Decay`的情况下，模型也更有可能过拟合。
确定`Size`和`Decay`最优值的最佳方法是使用交叉验证。在 Radiant 中，你可以使用`cv.nn`函数实现此目的。更多信息请参见文档。
### 报告 > Rmd
通过点击屏幕左下角的图标或按键盘上的`ALT-enter`，向*报告 > Rmd*添加代码以（重新）创建分析。
如果已创建 “Olden” 图或 “Garson” 图，可使用`ggplot2`命令对其进行自定义（例如，`plot(result, plots = "garson", custom = TRUE) + labs(title = "Garson图")`）。详情请参见*数据 > 可视化*。
例如，要为网络图添加标题，可使用`title(main = "网络图")`。更多信息请参见R 图形文档。
### R 函数
有关 Radiant 中用于估计神经网络模型的相关 R 函数概述，请参见*模型 > 神经网络*。
`nn`工具中使用的来自`nnet`包的核心函数是`nnet`。