استكشف أساسيات أشجار القرار في التعلم الآلي. تعرف على كيفية قيام خوارزمية التعلم الخاضع للإشراف هذه بتحريك التصنيف والانحدار والذكاء الاصطناعي القابل للتفسير.
شجرة القرار هي خوارزمية تعلم أساسية خاضعة للإشراف تُستخدم في مهام التصنيف والانحدار على حد سواء. وهي تعمل كهيكل يشبه مخطط التدفق حيث تمثل العقدة الداخلية "اختبارًا" على سمة ما (على سبيل المثال، ما إذا كان رمي العملة سيؤدي إلى ظهور الوجه أو الظهر)، ويمثل كل فرع نتيجة الاختبار، و تمثل كل عقدة ورقة علامة فئة أو قرار قيمة مستمرة. نظرًا لشفافيتها، تحظى أشجار القرار بتقدير كبير في الذكاء الاصطناعي القابل للتفسير (XAI)، مما يسمح لأصحاب المصلحة بتتبع المسار المنطقي الدقيق المستخدم للوصول إلى التنبؤ. وهي بمثابة حجر الزاوية لفهم مفاهيم التعلم الآلي (ML) الأكثر تعقيدًا وتظل خيارًا شائعًا لتحليل البيانات المنظمة.
تحاكي بنية شجرة القرار شجرة حقيقية ولكنها مقلوبة. تبدأ بعقدة جذرية تحتوي على مجموعة البيانات بأكملها. ثم تبحث الخوارزمية عن أفضل ميزة لتقسيم البيانات إلى مجموعات فرعية متجانسة قدر الإمكان. تتضمن هذه العملية ما يلي:
فهم هذا التدفق أمر ضروري لعلماء البيانات الذين يعملون في مجال النمذجة التنبؤية، لأنه يسلط الضوء على المفاضلة بين تعقيد النموذج والتعميم. يمكنك معرفة المزيد عن الأسس النظرية في وثائق Scikit-learn.
على الرغم من قوتها، فإن أشجار القرار الفردية لها قيود غالبًا ما يتم معالجتها بواسطة خوارزميات أكثر تقدمًا.
تنتشر أشجار القرار في الصناعات التي تتطلب مسارات تدقيق واضحة للقرارات الآلية.
في خطوط أنابيب الرؤية الحاسوبية، تُستخدم شجرة القرار أحيانًا classify الجدولية (مثل نسب العرض إلى الارتفاع للمربع المحيط أو الرسوم البيانية اللونية) التي يولدها 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}")
فهم أشجار القرار أمر بالغ الأهمية لفهم تطور الذكاء الاصطناعي (AI). فهي تمثل جسراً بين الأنظمة اليدوية القائمة على القواعد والأتمتة الحديثة القائمة على البيانات. في الأنظمة المعقدة، غالبًا ما تعمل جنبًا إلى جنب مع الشبكات العصبية. على سبيل المثال، قد يتعامل نموذج YOLO26 مع الكشف عن الكائنات في الوقت الفعلي ، بينما تقوم شجرة القرار النهائية بتحليل تكرار ونوع عمليات الكشف لتشغيل منطق أعمال محدد، مما يوضح التآزر بين مناهج التعلم الآلي (ML) المختلفة.
يمكن للمطورين الذين يسعون إلى إدارة مجموعات البيانات لتدريب نماذج الرؤية أو المصنفات الجدولية الاستفادة من Ultralytics لتبسيط سير عملهم، مما يضمن جودة عالية في تعليق البيانات وإدارتها.
.webp)