要比较神经网络在两个特征子集上的结果，可以按照以下步骤进行：

1. 数据预处理：加载数据集并将其分为特征和标签。根据需要，将数据集划分为训练集和测试集。

2. 构建神经网络模型：使用一个适当的神经网络模型，例如多层感知机（MLP），卷积神经网络（CNN）或循环神经网络（RNN）。根据问题的性质和数据集的特征选择合适的模型。

3. 定义特征子集：根据需要，创建两个特征子集。可以使用特征选择算法（例如相关性分析、信息增益、L1正则化等）来选择最相关的特征子集。

4. 训练模型：使用一个特征子集训练神经网络模型，并在训练集上进行训练。可以使用反向传播算法和优化器（例如随机梯度下降、Adam等）来最小化损失函数。

   例如，使用Python和Keras库构建和训练一个MLP模型：

from keras.models import Sequential
from keras.layers import Dense

# 定义模型
model = Sequential()
model.add(Dense(32, input_dim=subset1.shape[1], activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(subset1_train, labels_train, epochs=10, batch_size=32)

# 评估模型
loss, accuracy = model.evaluate(subset1_test, labels_test)
print('Subset 1 Accuracy: %.2f' % (accuracy*100))

5. 重复步骤4，使用第二个特征子集训练和评估模型，得到第二个特征子集的准确度。

   model.fit(subset2_train, labels_train, epochs=10, batch_size=32)
   loss, accuracy = model.evaluate(subset2_test, labels_test)
   print('Subset 2 Accuracy: %.2f' % (accuracy*100))
   

6. 比较结果：根据两个特征子集的准确度进行比较。可以使用图表或其他可视化工具来展示比较结果。

这是一个基本的流程示例，具体的实现方法可能因数据集和问题的不同而有所差异。