Decision Tree

شجرة القرار هي خوارزمية أساسية في التعلّم الخاضع للإشراف تُستخدم لمهام التصنيف والانحدار على حد سواء. وتعمل كبنية شبيهة بالمخطط الانسيابي، حيث تمثّل العقدة الداخلية «اختبارًا» على سمة معينة (مثلًا، ما إذا كانت نتيجة رمي العملة وجهًا أم كتابةً)، ويمثّل كل فرع نتيجة الاختبار، بينما تمثّل كل عقدة ورقية قرارًا يتعلّق بتسمية فئة أو قيمة مستمرة. ونظرًا إلى شفافيتها، تحظى أشجار القرار بتقدير كبير في الذكاء الاصطناعي القابل للتفسير (XAI)، إذ تتيح لأصحاب المصلحة تتبّع المسار المنطقي الدقيق المستخدم للوصول إلى التنبؤ. وتُعدّ ركيزة أساسية لفهم مفاهيم أكثر تعقيدًا في تعلّم الآلة (ML)، كما تظل خيارًا شائعًا لتحليل البيانات المهيكلة.

البنية الأساسية والوظائف#

تحاكي بنية شجرة القرار شجرةً حقيقية ولكن مقلوبة رأسًا على عقب. وتبدأ بـ العقدة الجذرية التي تحتوي على مجموعة البيانات بأكملها. ثم تبحث الخوارزمية عن أفضل سمة لتقسيم البيانات إلى مجموعات فرعية متجانسة قدر الإمكان. وتتضمن هذه العملية ما يلي:

• التقسيم: تُجزّأ مجموعة البيانات إلى مجموعات فرعية استنادًا إلى السمة الأكثر أهمية.
• التقليم: لمنع فرط التكيّف—حيث يحفظ النموذج الضوضاء الموجودة في بيانات التدريب—تُزال الفروع منخفضة الأهمية.
• العقد الورقية: هذه هي نقاط النهاية النهائية التي تقدّم التنبؤ أو التصنيف.

يُعدّ فهم هذا التسلسل أمرًا أساسيًا لعلماء البيانات الذين يعملون على النمذجة التنبؤية، إذ يوضّح المفاضلة بين تعقيد النموذج وقدرته على التعميم. ويمكنك التعرّف أكثر على الأسس النظرية في وثائق Scikit-learn.

مقارنة مع الخوارزميات ذات الصلة#

رغم قوتها، تفرض أشجار القرار المفردة قيودًا تعالجها غالبًا خوارزميات أكثر تقدمًا.

• شجرة القرار مقابل الغابة العشوائية: قد تكون الشجرة المفردة غير مستقرة؛ إذ يمكن لتغيير بسيط في البيانات أن يؤدي إلى بنية مختلفة تمامًا. وتعالج الغابة العشوائية ذلك ببناء مجموعة من العديد من الأشجار ومتوسط تنبؤاتها (التجميع بالعينات)، مما يحسّن الاستقرار والدقة بدرجة كبيرة.
• شجرة القرار مقابل XGBoost: بخلاف الشجرة المستقلة، تبني أطر التعزيز التدرّجي مثل XGBoost الأشجار بالتتابع. وتحاول كل شجرة جديدة تصحيح أخطاء الأشجار السابقة. وتُعد تقنية التعزيز هذه حاليًا المعيار المتّبع في القطاع لمسابقات تحليلات البيانات الجدولية.
• شجرة القرار مقابل التعلّم العميق: تتفوّق أشجار القرار في التعامل مع البيانات المهيكلة والجدولية. أما بالنسبة إلى البيانات غير المهيكلة، مثل الصور أو الفيديو، فتتفوق نماذج التعلّم العميق (DL). وتستخدم بنيات مثل YOLO26 الشبكات العصبية الالتفافية (CNNs) لاستخراج السمات من وحدات البكسل الخام تلقائيًا، وهي مهمة لا تستطيع أشجار القرار تنفيذها بفعالية.

التطبيقات الواقعية#

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

1. تقييم المخاطر المالية: تستخدم البنوك وشركات التقنية المالية أشجار القرار لتقييم طلبات القروض. ومن خلال تحليل سمات مثل الدخل والتاريخ الائتماني والحالة الوظيفية، يستطيع النموذج تصنيف مقدم الطلب على أنه «منخفض المخاطر» أو «مرتفع المخاطر». ويساعد هذا التطبيق من تنقيب البيانات المؤسسات على إدارة معدلات التعثر بفعالية. اطّلع على كيفية مناقشة IBM لأشجار القرار في سياقات الأعمال.

2. التشخيص الطبي والفرز: في حلول الذكاء الاصطناعي في الرعاية الصحية، تساعد أشجار القرار الأطباء على استبعاد الحالات بصورة منهجية استنادًا إلى أعراض المريض ونتائج الفحوص. فعلى سبيل المثال، قد يستخدم نظام للفرز شجرةً لتحديد ما إذا كان المريض يحتاج إلى رعاية طارئة فورية أو إلى فحص روتيني، مما يعزّز الكفاءة التشغيلية.

مثال على التنفيذ#

في مسارات عمل الرؤية الحاسوبية، تُستخدم شجرة القرار أحيانًا لتصنيف المخرجات الجدولية (مثل نسب أبعاد مربعات الإحاطة أو مخططات توزيع الألوان) التي يُنتجها كاشف الأجسام. ويستخدم المثال التالي مكتبة Scikit-learn الشائعة لتدريب مصنّف 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}")

الأهمية في منظومة الذكاء الاصطناعي#

يُعدّ فهم أشجار القرار أمرًا بالغ الأهمية لاستيعاب تطوّر الذكاء الاصطناعي (AI). فهي تمثّل جسرًا بين الأنظمة اليدوية القائمة على القواعد والأتمتة الحديثة المعتمدة على البيانات. وفي الأنظمة المعقدة، غالبًا ما تعمل جنبًا إلى جنب مع الشبكات العصبية. فعلى سبيل المثال، قد يتولى نموذج YOLO26 تنفيذ اكتشاف الأجسام في الوقت الفعلي، بينما تحلّل شجرة قرار لاحقة تكرار الاكتشافات وأنواعها لتفعيل منطق أعمال محدد، مما يوضح أوجه التكامل بين أساليب تعلّم الآلة (ML) المختلفة.

يمكن للمطورين الذين يرغبون في إدارة مجموعات البيانات لتدريب نماذج الرؤية أو المصنّفات الجدولية الاستفادة من منصة Ultralytics لتبسيط سير عملهم، مع ضمان جودة عالية في شرح البيانات وإدارتها.