这样的灵活性有一个缺点，即，神经网络不容易解释。 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，您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，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”和一个“输入”。 设置为“两者”或“无”的字段会被忽略。 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的初始权重取决于数据中字段的顺序，因此生成的最终模型也是如此。 Watsonx.ai Studio会自动按照字段名对数据进行排序，然后再将其提交给神经网络进行训练。 这意味着，在模型构建器中设置有随机种子的情况下，在上游显式地更改数据中字段的顺序并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的方式造成字段排序顺序出现变化，那么就会生成不同的神经网络模型，即使在模型构建器中设置有随机种子也是如此。 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。