我训练了一个简单的神经网络，根据三个输入进行预测。例如，假设我正在尝试计算“完成一项学术研究需要多少天”，其中数据可能是：
f1 = institution
f2 = student age
f3 = study topic
标签是完成的总天数。
如果您想象以下数据结构：
f1, f2, f3, label
A, D, G, v
B, E, H, w
C, F, I, x
A, E, H, y
A, D, G, z
无论如何我可以计算出每个功能在完成总天数中增加了多长时间，例如，我想说如果您选择f1 = A完成研究的总天数将增加 4 天.
我可以计算出每个选择之间有多少差异，例如选择f1 = A可能比您选择的时间快 7 天f1 = B，但我不知道如何粗略（也许是平均）确定每个选择代表多长时间。
是的，您正在谈论训练模型，然后进行敏感性分析以确定每个解释变量的数值影响：
一些注意事项/提示：
你说这三个特征是分类的。大概student_age是有序的分类，另外两个是无序的。但是你没有说他们每个人有多少级别（基数），或者有多少垃圾箱。您不一定要（比如说）student_age将每个 1 年的垃圾箱装箱。您可能会以 2/3 年的增量或分位数（参见 Rcut命令）进行分类，例如student_age: [0-17, 18-20, 21-23, 24-28, 29-34, 35+]. 同样，如果您有一个长尾的小型机构，样本很少，您可以将它们放在一起，或者按国家/地区/规模/重点/排名进行分类。
每个变量的基数与数据集大小的乘积是多少？对于每种可能的组合，您有 1 个示例吗？>10？<0.1? 如果您没有那么多数据，您可能更喜欢使用线性回归而不是 NN，或者至少使用更浅的 NN 而不是深度。使用线性回归，您可以再次允许二次交互项、非线性项等
（使用线性回归，您只需直接读取模型系数即可直接看到影响，例如Princeton: -1.4, Princeton.Age22_24: -3.6）
如果您特别想使用 NN，请参阅石灰包。另请参阅有关使用 NN 进行敏感性分析的许多文章/教程，以及有关敏感性分析的 CrossValidated 答案。
深度神经网络缺乏可解释性；您可以查看许多单独的层权重，但几乎不可能描绘出它如何转化为对输出的影响。