显示训练集和验证集的拟合测度（神经模型报表的示例）。
广义 R 方
可以应用到一般回归模型的测度。它基于似然函数 L，并且统一尺度后最大值为 1。值为 1 表示完美模型，值为 0 表示并不比常数模型好的模型。对于标准最小二乘设置中的连续正态响应，“广义 R 方”测度简化为传统 R 方。“广义 R 方”亦称 Nagelkerke/Craig and Uhler R2，它是 Cox and Snell 伪 R2 的标准化版本。请参见 Nagelkerke (1991)。
熵 R 方
（仅当响应为名义型或有序型时才显示。）比较拟合模型和恒定概率模型的对数似然的一种拟合测度。熵 R 方的范围介于 0 到 1 之间，其中接近 1 的值指示拟合更佳。请参见熵 R 方。
R 方
给出模型的 R 方。
RMSE
给出均方根误差。响应为名义型或有序型时，差值介于 1 和 p（实际发生的响应水平的拟合概率）之间。
绝对偏差的均值
响应的真实值与预测值的差值绝对值的平均值。响应为名义型或有序型时，差值介于 1 和 p（实际发生的响应水平的拟合概率）之间。
误分类率
具有最高拟合概率的响应类别不是观测到的类别的比率。仅当响应为名义型或有序型时才显示。
-对数似然
给出负对数似然。请参见拟合线性模型。
误差平方和
给出误差平方和。仅当响应为连续变量时才可用。
频数总和
给出使用的观测数。若您在“神经”启动窗口中指定了“频数”变量，“频数总和”将给出频数列的总和。
若有多个响应，将给出每个响应的拟合统计量，并且给出总体广义 R 方和负对数似然。
对于名义型或有序型响应，将给出“混淆矩阵”报表和“混淆率”报表（神经模型报表的示例）。“混淆矩阵”报表显示实际响应水平和预测响应水平的双向分类。对于分类响应，预测水平是具有最高预测概率的水平。“混淆率”报表等同于“混淆矩阵”报表，只不过其中的数字要除以行合计。