根据提供的文件内容，我们可以提炼出以下关于“SAS中决策树建模”的知识点：
1. 决策树建模基础
- 决策树是一种在各种分类和回归问题中常用的监督学习方法，它通过将数据集拆分成越来越小的部分来进行数据预测。
- 决策树模型模拟了人类的决策过程，通过一系列的判断规则对数据进行分类或预测。
2. 树形结构模型（Tree-Structured Models）
- 树形结构模型用于展示决策树的层级结构，其中包括了节点（Node）、分支（Branch）和叶（Leaf）。
- 节点代表对某个特征的测试，分支是测试结果，叶则代表预测的最终结果。
- 演示部分介绍了一个入门流程，帮助理解如何从数据集中构建决策树模型。
3. 递归分割（Recursive Partitioning）
- 递归分割是决策树构建的核心过程，它递归地对数据集进行分割，直到满足特定条件为止。
- 分割搜索（Split Search）涉及寻找最佳分割点，以使分割后的数据集中的各个部分尽可能地属于同一类别。
- 分割准则（Splitting Criteria）定义了如何选择最佳分割点，常见的有信息增益、基尼指数等。
4. 缺失值处理和变量重要性（Missing Values and Variable Importance）
- 在决策树模型中处理缺失值是必要的，因为它会影响分割的选择和树的构建。
- 变量重要性是指在决策树中某个变量在分割决策中所起到的作用大小。
5. 间隔目标和回归诊断（Interval Targets and Regression Diagnostics）
- 当目标变量是连续值时，决策树进行的是回归分析。
- 回归诊断是指使用统计测试来验证模型的预测能力和准确性。
6. 剪枝（Pruning）
- 剪枝是解决决策树过拟合的一种方法，它通过删除某些分支来简化树模型。
- 剪枝的目的是平衡树的复杂度和预测性能。
7. 交叉验证（Cross-Validation）
- 交叉验证是一种评估模型泛化能力的方法，它涉及到将数据集分成多个小部分，轮流将其中一部分作为验证集，其余部分作为训练集。
8. 版权和使用条款
- 本课程笔记是由Lorne Rothman基于William E. Potts的材料开发的，并且得到了Bob Lucas, Padraic Neville, Michael Patetta, 和 Rich Perline的额外贡献。
- SAS Institute Inc.保留了所有版权和知识产权，未经出版者事先书面许可，严禁对本出版物进行任何形式的复制、存储或传输。
9. 编码信息
- 本课程笔记的书码为E2141，课程代码为LWDMDT71/LWDMDT71，准备日期为2012年5月11日。
10. 附加信息
- 在此课程笔记中还包含了章节摘要、练习和练习解答、以及学生互动活动（如投票和测验）的解答。
以上知识点详细地涵盖了SAS培训教程《Decision Tree Modeling》中的主要内容，并且强调了决策树建模的基本原理、技术和应用。同时，也体现了SAS作为专业软件在数据挖掘和分析方面的专业性和权威性。
