決策樹結果重在商業邏輯的解釋 決策樹不似其他預測模型方法，依照每一觀察者的不同的特徵屬性值，計算出各自的發生機率值，它則是某一區間內的特徵屬性給定一個分數，歸屬在同一條預測規則下的觀測點，都會給定同一個值，發生機率都會判定相同，所以會有一定的誤差值。也就造成決策樹的準確度雖然不是最佳，但由於其容易表達、方便解讀，對於入門data mining的初階miner，賽博士卻是大大推薦決策樹一定要好好學習。模型的準確度在初學時，常會被我們認為是分析結果的重點。事實上，模型結果具有商業解釋性才更勝於一切，模型看似準確高，但產出的模型結果卻是分析人員或產業專家無法解釋，其實就等於是無用的模型。而模型準確度也可透過資料的處理或重要衍生變數的投入，提升模型的準度。準度也必需要禁得起時間的考驗，也就是每定期的模型驗證，來確定模型的穩定性。過度配適(model over-fitting)也可能造成一時的模型預測正確率很高，但幾期的時間觀察下來，卻發現模型越來越失準。(模型評估的方法，我們可以另闢一期來特別說明)。

介紹完如何運用SAS EM的關聯分析節點進行購物籃分析，是不是覺得運用EM進行購物籃分析不是件難事? 此外，關聯分析容易產生大量的關聯規則，但並不一定每一個都是有用的，有些關聯規則是業務老手早已知道的規則，有些則無法解釋，都必須一一剔除。所以這些資料解讀與處理程序，也是購物籃分析的重點之一。

前幾期介紹的決策樹、迴歸分析、類神經網路等都屬於資料探勘中預測模型的演算方法。所謂模型預測，即是有所謂的預測目標變數值的產出。

購物籃分析不僅單純地可拿來做零售商品的產品購買關聯，在SAS EM裡關聯節點或購物籃節點被歸屬在SEMMA循環裡的Explore工具池裡，所以這兩個節點可以拿來當作建置預測模型時的資料瀏覽工具，更進一步可將節點結果的產出匯出當作預測模型的新衍生變數。另外，購物籃分析也可以連結分群分析，協助行銷人員做更精準的行銷設計規劃(詳細內容可參考前兩期的專欄內容)。

連續幾期介紹SAS EM決策樹的應用，各位讀者應該可以感受到SAS EM決策樹的使用彈性與功能強大。本期再介紹實務分析上決策樹常見的問題， 而SAS EM決策樹如何處理這些問題。

第一期的data mining專欄，Dr. SAS老師想要跟大家分享如何透過強大的SAS Enterprise Miner(簡稱EM)來活用決策樹演算法，來進行更多的不同的資料處理與分析。

決策樹的應用 決策樹的應用多是建立預測分類模型，應用產業層面包含：資料庫行銷的回應模型，找出對行銷活動有回應的客戶特徵與回應名單、交叉銷售尋找潛力客群、流失預測模型，找出客戶可能流失的原因與型態(pattern)，提前進行客戶挽留、信用風險危機預警模型、詐欺偵測、製造業生產線良率的監控、在雷達信號分析、遠距感應、醫學診斷、專家系統、語音辨識，生物資訊及許多其它的領域。

類神經網路一度曾是最有名，但卻被了解最少的資料探勘演算方法。類神經網路也被大量應用在各個產業上，原因在於類神經網路可以解決非線性複雜模型的建構、本身沒有太多模型假設限制，以及模型產出有很好的預測能力，但唯一在應用上令人詬病的即是模型結果難以解釋。舉例而言，透由類神經網路模型，我們可以找到一組郵購商品回應率很高的客戶名單，但是模型卻無法直接告訴我們，客戶會願意郵購這組商品的主要影響因子為何，因而大大降低了模型的實用性。

連續幾期介紹SAS EM決策樹的進階應用與分析處理，本期Dr.SAS回到SAS EM決策樹底層主要分析功能的介紹上。SAS EM決策樹提供兩種建立預測模型的模式，一為互動式建模環境(Interactive mode)，另一為自動建模環境(Automatic mode)。兩種分析模式環境各自有其分析使用上的優點，同時SAS EM在SAS EM 7版本以後，也同時將兩個建模環境模式做了整合，讓建模分析人員可以針對系統最適推薦模型，進行專家調整，提供給分析者更佳彈性與實務考量的建模平台。

上期介紹一SAS EM決策樹互動式建模(Interactive mode)，這期接續介紹如何利用決策樹自動建模環境(Automatic mode)產生系統最佳模型。Dr.SAS則建議初階資料探勘分析人員在建立決策樹預測模型時，先從互動式決策樹開始分析，分析者可透過一層層決策樹的開展與預測規則的解釋，了解投入變數間的先後重要解釋關係，嘗試選擇較具業務代表性的解釋變數，並可透過解讀預測規則的合理性，來檢視資料的品質。

接續上期專欄Dr.SAS將要介紹如何運用SAS EM來強化類神經網路的實用性： EM類神經網路主要參數功能以及如何透過決策樹分析解決類神經網路模型解釋性。

迴歸模型 (Linear Regression Model) 是非常流行的統計模式，分析的結果也被大量地應用在各個產業上，然而，迴歸分析雖也屬於資料探勘裡常用的演算方法，但它主要的演算方法卻是來自於統計分析的推估，因此須在正式進入迴歸分析之前，必須先確認各項資料條件滿足迴歸模型的基本假設，才適宜選用迴歸模式進行分析。否則，會造成資料本身不配適迴歸，但卻強迫進行迴歸模型建置，最終結果會造成模型解釋力始終無法被提升。

 接續上期專欄Dr.SAS介紹的迴歸模式最佳實務分析流程，Dr.SAS建議讀者在進行迴歸分析之前，先透過SAS EM的Graph Explore節點做資料散布圖形看資料分布的趨勢，或者最佳建議則是整合SAS EG下工作程序下Describe>> Distribution Analysis，選擇Normal Distribution來進行迴歸假設的檢驗程序。確認觀察資料滿足迴歸模型假設後，才能進行接續的迴歸分析程序。若資料不滿足迴歸模型假設時，則需進行適當的資料轉換工作。

 連續幾期介紹幾個重要預測模型分析演算方法的實務應用，這一期Dr.SAS接著介紹一下實務上也經常被應用的購物籃分析，以及如何運用SAS EM的關聯分析節點(Association Node)來進行相關分析。

分群結果重在行銷命名與應用 分群分析的結果產出通常不會一次就滿足分析者的需求，往往會透過多次的產出結果的解讀與群集的調整，來找到最適合的群集結果。 分群的結果追求的不是模型的準度而是它的應用性，哪一個群集結果的產出最能讓行銷人員解讀與進一步應用，才是適切的分群結果。因此如何快速的調整或找到適合的分群結果，才是學習分群的重點之一。

階層分類購物籃分析首要的第一步就是產品分類資料集的準備，當產品的品項繁複時，直接透由關聯節點(Association Node)來進行購物籃分析，關聯分析所得的關聯規則會是細項產品間的交易關聯，甚至可能細到不同品牌，反而不容易看出消費者的整體的消費趨勢。因此透由SAS EM的購物籃節點(Market Basket Node)來進行分析則可以解決傳統購物籃分析的問題，購物籃節點透過商品間的階層關係事先建立，再進行關聯分析時則可以解決上述分析解讀的問題。