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。

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。