以 Figures 8.16–8.18 說明 Decision Tree 如何處理 Continuous Target，並與 Multiple Regression 對照。
理解 Continuous Target 的 Binning、Leaf Statistics、Multi-variable Rules 與 Tree Interpretation。
House Price Model 使用 1,151 Observations。SAS VA 將 SalePrice 分成 10 Bins；Bins 可改為 2–100。
| 項目 | 原書數值／內容 |
|---|---|
| Observations | 1,151 |
| Default Bins | 10 |
| 可設定範圍 | 2–100 Bins |
| Node 4 Overall Quality | 6.4–7.3 |
| Node 4 Cases | 257 |
| Node 4 最可能 SalePrice Bracket | 182,440–254,010 |
先觀察單一 Predictor Overall Quality 的 Splits 與各 SalePrice Bins Distribution；再加入全部 Variables，以 Modelling Growth Strategy 形成更複雜的 Rules。
原書 Node 30：GarageType=Attchd、GrLivArea<1395.6、OverallQual<6.4、YearBuilt<1956，共 35 Cases，其中 32 Cases（91.43%）落在 SalePrice 110,870–182,440。
Continuous Outcome Tree 不是建立單一 Regression Equation，而是依 Predictor Rules 將 Cases 分入 Target Ranges；Bins 數量會影響結果的粒度與可讀性。
根據原書 Node 4 與 Node 30 的 Rules，解釋各 Node 對 House Price Prediction 的意義，並討論把 10 Bins 改成 15 或 20 時可能增加的分析粒度；不要捏造新的預測結果。
把 Bins 從 10 增加到 20 是否一定改善模型？
參考解答： 原書只指出 Bins 可調整並舉 15／20 為可能設定，沒有宣稱增加 Bins 必然改善 Performance；需要實際評估。