神经网络通过从复杂数据集中提取信息，超越了传统预测方法（如线性回归分析）的能力。它通过应用线性组合和非线性变换层，将初始输入转化为大量参数。由于神经网络本质上是一种模型，意在通过一次校准处理所有预测任务；因此需要大量参数。神经网络的一个关键限制是其不透明性。生成最终参数的各类变换过程几乎无法明确地把观测与结果联系起来。此外，神经网络无法对某个具体预测的可靠性提供前瞻性的指导。最后，神经网络会受到已得参数的约束，可能无法很好地适应新的预测情境。

基于关联度的预测（RBP，Relevance-based prediction）同样能从线性回归无法获取的复杂数据中提取信息，但相似之处仅止于此。RBP 是无模型的。它将预测表述为既往结果的加权平均，其中权重是一个精确的统计量，称为“关联性”，用于衡量某一观测对某个预测的重要性。与旨在通过一次校准解决所有预测任务的神经网络不同，RBP 逐项处理任务，为每个具体的预测任务筛选观测与预测变量。除了具备预测特异性之外，RBP 还通过在每个任务的独特环境下多次组合观测与预测变量来生成其预测能力。RBP 与神经网络不同之处还在于它的透明性：它清楚展示每条观测如何形成预测，并对预测的可靠性提供前瞻性指导。最后，RBP 会自动适应每个新的预测任务。

RBP 的实践意义在于：它不仅可以作为一种透明且自适应的神经网络替代方案，还能替代其他机器学习模型以及传统预测技术。