شجرة القرار

شجرة القرار هي نموذج تعلم آلي (ML) شائع وبديهي يستخدم بنية تشبه الشجرة لعمل تنبؤات. وهي تعمل عن طريق تقسيم مجموعة البيانات إلى مجموعات فرعية أصغر فأصغر مع تطوير شجرة قرار مرتبطة بها في الوقت نفسه. والنتيجة النهائية هي شجرة ذات عقد قرار وعقد أوراق. تمثل عقدة القرار ميزة أو سمة، ويمثل الفرع قاعدة قرار، وتمثل كل عقدة ورقة نتيجة أو تسمية فئة. نظرًا لأن هيكلها يشبه مخطط التدفق، فهي واحدة من أكثر النماذج وضوحًا للفهم والتفسير، مما يجعلها حجر الزاوية في النمذجة التنبؤية.

كيف تعمل أشجار القرار؟

تتضمن عملية بناء شجرة قرار تقسيم بيانات التدريب بشكل متكرر بناءً على قيم السمات المختلفة. تختار الخوارزمية أفضل سمة لتقسيم البيانات في كل خطوة، بهدف جعل المجموعات الفرعية الناتجة "نقية" قدر الإمكان - مما يعني أن كل مجموعة تتكون أساسًا من نقاط بيانات لها نفس النتيجة. غالبًا ما يتم توجيه عملية التقسيم هذه بمعايير مثل معامل جيني أو كسب المعلومات، والتي تقيس مستوى الاضطراب أو العشوائية في العقد.

تبدأ الشجرة بعقدة جذرية واحدة تحتوي على جميع البيانات. ثم تنقسم إلى عقد قرار، والتي تمثل أسئلة حول البيانات (مثل، "هل عمر العميل يزيد عن 30 عامًا؟"). تستمر هذه الانقسامات حتى تصبح العقد نقية أو يتم استيفاء شرط الإيقاف، مثل الحد الأقصى لعمق الشجرة. تسمى العقد النهائية غير المنقسمة بالعقد الورقية، وهي توفر التنبؤ النهائي لأي نقطة بيانات تصل إليها. على سبيل المثال، قد تصنف العقدة الورقية معاملة على أنها "احتيالية" أو "غير احتيالية". هذه القابلية للتفسير هي ميزة رئيسية، غالبًا ما يتم تسليط الضوء عليها في المناقشات حول الذكاء الاصطناعي القابل للتفسير (XAI).

تطبيقات واقعية

تعتبر أشجار القرارات متعددة الاستخدامات وتستخدم في مهام التصنيف والانحدار في مختلف الصناعات.

1. الذكاء الاصطناعي في الرعاية الصحية للتشخيص: يمكن استخدام شجرة القرار لإنشاء نموذج تشخيصي أولي. يأخذ النموذج بيانات المريض مثل الأعراض (الحمى والسعال) والعمر ونتائج المختبر كمدخلات (ميزات). ثم تتبع الشجرة سلسلة من قواعد القرار للتنبؤ باحتمالية الإصابة بمرض معين. على سبيل المثال، يمكن أن يعتمد التقسيم على ما إذا كان المريض يعاني من الحمى، يليه تقسيم آخر على شدة السعال، مما يؤدي في النهاية إلى عقدة طرفية تقترح تشخيصًا محتملاً. يوفر هذا مسارًا واضحًا قائمًا على القواعد يمكن للمهنيين الطبيين اتباعه. يمكن العثور على مزيد من الأفكار حول هذا المجال في المعهد الوطني للتصوير الطبي الحيوي والهندسة الحيوية (NIBIB).
2. الخدمات المالية لتقييم المخاطر الائتمانية: تستخدم البنوك والمؤسسات المالية أشجار القرار لتحديد أهلية القرض. يحلل النموذج بيانات مقدم الطلب مثل درجة الائتمان والدخل ومبلغ القرض وتاريخ التوظيف. قد ينقسم الشجرة أولاً بناءً على درجة الائتمان. إذا كانت النتيجة عالية، فإنه يتبع مسارًا واحدًا؛ إذا كانت منخفضة، مسارًا آخر. تساعد الانقسامات اللاحقة على الدخل ومدة القرض في تصنيف مقدم الطلب على أنه منخفض المخاطر أو عالي المخاطر، مما يؤثر على قرار الموافقة على القرض. هذا التطبيق هو جزء أساسي من الذكاء الاصطناعي في مجال التمويل.

العلاقة بالنماذج الأخرى

تشكل أشجار القرارات الأساس لطرق التجميع الأكثر تعقيدًا والتي غالبًا ما تحقق دقة أعلى.

• الغابات العشوائية (Random Forests): يبني هذا النموذج الشائع أشجار قرار متعددة على مجموعات فرعية عشوائية مختلفة من البيانات والميزات. ثم يجمع تنبؤاتهم (عن طريق التصويت للتصنيف أو المتوسط للانحدار)، مما يحسن الأداء ويجعل النموذج أكثر قوة ضد التجاوز (overfitting).
• الأشجار المعززة بالتدرج: تُعد النماذج مثل XGBoost و LightGBM تقنيات تجميع متقدمة تبني أشجار القرار بالتتابع، حيث تصحح كل شجرة جديدة أخطاء الشجرة السابقة.
• تجميع K-Means: من المهم التمييز بين أشجار القرار وخوارزميات التجميع. K-Means هي طريقة تعلم غير خاضع للإشراف لتجميع البيانات غير المسماة، في حين تستخدم أشجار القرار للتعلم الخاضع للإشراف لعمل تنبؤات بناءً على البيانات المسماة.
• الشبكات العصبونية الالتفافية (CNNs): في حين أن أشجار القرار قوية للمشاكل التي تحتوي على بيانات جدولية، إلا أنها أقل فعالية للبيانات عالية الأبعاد مثل الصور. في الرؤية الحاسوبية، يتم استخدام نماذج مثل CNNs و محولات الرؤية (ViT) بدلاً من ذلك. تستفيد البنى الحديثة مثل Ultralytics YOLO11 من هياكل التعلم العميق هذه للمهام المعقدة مثل اكتشاف الكائنات و تصنيف الصور و تجزئة المثيلات.

يوفر فهم النماذج التأسيسية مثل أشجار القرارات سياقًا قيمًا في المشهد الأوسع للذكاء الاصطناعي (AI). توفر أدوات مثل Scikit-learn تطبيقات شائعة لأشجار القرارات، بينما تعمل منصات مثل Ultralytics HUB على تبسيط تطوير ونشر نماذج الرؤية المتقدمة لحالات استخدام أكثر تعقيدًا.