Decision Tree

تعد شجرة القرار خوارزمية أساسية من خوارزميات التعلم الخاضع للإشراف (supervised learning) تُستخدم في مهام التصنيف والانحدار. وهي تعمل كبنية تشبه المخطط الانسيابي حيث يمثل العقدة الداخلية "اختباراً" لسمة ما (على سبيل المثال، ما إذا كانت نتيجة رمي العملة معدنية هي صورة أم كتابة)، ويمثل كل فرع نتيجة الاختبار، بينما تمثل كل عقدة ورقية تصنيفاً أو قراراً بقيمة مستمرة. وبسبب شفافيتها، تحظى أشجار القرار بتقدير كبير في مجال الذكاء الاصطناعي القابل للتفسير (XAI)، مما يسمح للمعنيين بتتبع مسار المنطق الدقيق المستخدم للوصول إلى التنبؤ. وهي تعمل كحجر أساس لفهم مفاهيم تعلم الآلة (ML) الأكثر تعقيداً، وتظل خياراً شائعاً لتحليل البيانات المهيكلة.

Link to this sectionالهيكل الأساسي والوظيفة#

تشبه بنية شجرة القرار الشجرة الحقيقية ولكنها مقلوبة. تبدأ بـ عقدة جذر (root node) تحتوي على مجموعة البيانات بأكملها. ثم تبحث الخوارزمية عن أفضل ميزة لتقسيم البيانات إلى مجموعات فرعية متجانسة قدر الإمكان. تتضمن هذه العملية ما يلي:

• التقسيم (Splitting): يتم تقسيم مجموعة البيانات إلى مجموعات فرعية بناءً على السمة الأكثر أهمية.
• التقليم (Pruning): لمنع الفرط في التخصيص (overfitting) - حيث يحفظ النموذج الضجيج الموجود في بيانات التدريب (training data) - تتم إزالة الفروع ذات الأهمية المنخفضة.
• العقد الورقية (Leaf Nodes): هي نقاط النهاية النهائية التي توفر التنبؤ أو التصنيف.

يعد فهم هذا التدفق أمراً ضرورياً لعلماء البيانات الذين يعملون في النمذجة التنبؤية (predictive modeling)، حيث يسلط الضوء على المقايضة بين تعقيد النموذج والتعميم. يمكنك معرفة المزيد حول الأسس النظرية في وثائق Scikit-learn.

Link to this sectionالمقارنة مع الخوارزميات ذات الصلة#

على الرغم من قوتها، إلا أن أشجار القرار الفردية لها قيود غالباً ما يتم معالجتها بواسطة خوارزميات أكثر تقدماً.

• شجرة القرار مقابل الغابة العشوائية (Random Forest): يمكن أن تكون الشجرة الواحدة غير مستقرة؛ إذ يمكن أن يؤدي تغيير بسيط في البيانات إلى بنية مختلفة تماماً. تعالج الغابة العشوائية هذه المشكلة من خلال بناء مجموعة (ensemble) من العديد من الأشجار ومتوسط تنبؤاتها (طريقة الـ bagging)، مما يحسن الاستقرار والدقة (accuracy) بشكل كبير.
• شجرة القرار مقابل XGBoost: على عكس الشجرة المستقلة، تقوم أطر تعزيز التدرج (Gradient Boosting) مثل XGBoost ببناء الأشجار بشكل تسلسلي. تحاول كل شجرة جديدة تصحيح أخطاء الأشجار السابقة. تقنية التعزيز هذه هي حالياً المعيار الصناعي لمسابقات تحليلات البيانات (data analytics).
• شجرة القرار مقابل التعلم العميق: تتفوق أشجار القرار في التعامل مع البيانات المهيكلة والجدولية. ومع ذلك، بالنسبة للبيانات غير المهيكلة مثل الصور أو الفيديو، فإن نماذج التعلم العميق (DL) هي الأفضل. تستخدم البنيات مثل YOLO26 الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات من البكسلات الخام تلقائياً، وهي مهمة لا يمكن لأشجار القرار القيام بها بفعالية.

Link to this sectionتطبيقات العالم الحقيقي#

تنتشر أشجار القرار في الصناعات التي تتطلب مسارات تدقيق واضحة للقرارات المؤتمتة.

1. تقييم المخاطر المالية: تستخدم البنوك وشركات التكنولوجيا المالية أشجار القرار لتقييم طلبات القروض. من خلال تحليل سمات مثل الدخل، والتاريخ الائتماني، وحالة التوظيف، يمكن للنموذج تصنيف مقدم الطلب على أنه "منخفض المخاطر" أو "عالي المخاطر". يساعد هذا التطبيق في تنقيب البيانات (data mining) المؤسسات على إدارة معدلات التخلف عن السداد بفعالية. انظر كيف تناقش IBM أشجار القرار في سياقات الأعمال.

2. التشخيص الطبي والفرز: في حلول الذكاء الاصطناعي للرعاية الصحية (healthcare AI solutions)، تساعد أشجار القرار الأطباء من خلال استبعاد الحالات بشكل منهجي بناءً على أعراض المريض ونتائج الاختبارات. على سبيل المثال، قد يستخدم نظام الفرز شجرة لتحديد ما إذا كان المريض يحتاج إلى رعاية طارئة فورية أو فحصاً روتينياً، مما يعزز الكفاءة التشغيلية.

Link to this sectionمثال على التنفيذ#

في خطوط أنابيب الرؤية الحاسوبية، تُستخدم شجرة القرار أحياناً لتصنيف المخرجات الجدولية (مثل نسب العرض إلى الارتفاع لصناديق الإحاطة أو مخططات الألوان) التي يتم إنشاؤها بواسطة كاشف الكائنات. يستخدم المثال التالي مكتبة Scikit-learn الشهيرة لتدريب مصنف بسيط.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# Load dataset and split into training/validation sets
data = load_iris()
X_train, X_val, y_train, y_val = train_test_split(data.data, data.target, random_state=42)

# Initialize and train the tree with a max depth to prevent overfitting
clf = DecisionTreeClassifier(max_depth=3, random_state=42)
clf.fit(X_train, y_train)

# Evaluate the model on unseen data
print(f"Validation Accuracy: {clf.score(X_val, y_val):.2f}")

Link to this sectionالأهمية في نظام الذكاء الاصطناعي البيئي#

يعد فهم أشجار القرار أمراً بالغ الأهمية لاستيعاب تطور الذكاء الاصطناعي (AI). فهي تمثل جسراً بين الأنظمة اليدوية القائمة على القواعد والأتمتة الحديثة القائمة على البيانات. في الأنظمة المعقدة، غالباً ما تعمل جنباً إلى جنب مع الشبكات العصبية (neural networks). على سبيل المثال، قد يتولى نموذج YOLO26 مهمة كشف الكائنات (object detection) في الوقت الفعلي، بينما تقوم شجرة قرار لاحقة بتحليل تكرار ونوع الاكتشافات لتشغيل منطق عمل محدد، مما يوضح التآزر بين مختلف مناهج تعلم الآلة (ML).

يمكن للمطورين الذين يتطلعون إلى إدارة مجموعات البيانات لتدريب نماذج الرؤية أو المصنفات الجدولية الاستفادة من منصة Ultralytics لتبسيط سير عملهم، مما يضمن جودة عالية في وضع العلامات على البيانات وإدارتها.