Decision Tree

شجرة القرار هي خوارزمية أساسية لـالتعلم الخاضع للإشراف تُستخدم في مهام التصنيف والانحدار على حد سواء. وهي تعمل بنية شبيهة بمخطط انسيابي حيث يمثل العقد الداخلي "اختباراً" على سمة معينة (مثل ما إذا كانت العملة المعدنية المستقرة تظهر وجهاً أو كتابة)، وكل فرع يمثل نتيجة الاختبار، وكل عقدة ورقية تمثل تسمية فئة أو قرار قيمة مستمرة. ون نظراً لشفافيتهم، تحظى أشجار القرار بتقدير كبير في الذكاء الاصطناعي القابل للتفسير (XAI)، مما يتيح لأصحاب المصلحة تتبع مسار المنطق الدقيق المستخدم للوصول إلى التنبؤ. وهي بمثابة حجر أساس لفهم مفاهيم تعلم الآلة (ML) الأكثر تعقيداً وتظل خياراً شائعاً لتحليل البيانات المهيكلة.

الهيكل 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 فرط التخصيص —حيث يحفظ النموذج التشويش في بيانات التدريب— يتم إزالة الفروع ذات الأهمية المنخفضة.
• العقد الورقية (Leaf Nodes): هي نقاط النهاية النهائية التي توفر التنبؤ أو التصنيف.

يعد فهم هذا التدفق أمراً بالغ الأهمية لعلماء البيانات الذين يعملون مع نمذجة التنبؤ، حيث يسلط الضوء على المفاضلة بين تعقيد النموذج والتعميم. يمكنك معرفة المزيد حول الأساسيات النظرية في توثيق Scikit-learn.

المقارنة 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: يمكن أن تكون الشجرة الفردية غير مستقرة؛ إذ قد يؤدي تغيير بسيط في البيانات إلى بنية مختلفة تماماً. تعالج الغابة العشوائية هذه المشكلة من خلال بناء مجموعة من العديد من الأشجار وأخذ متوسط تنبؤاتها (التجميع)، مما يحسن الاستقرار والدقة بشكل كبير.
• شجرة القرار مقابل XGBoost: على عكس الشجرة المستقلة، تبني أطر التعزيز التدرجي مثل XGBoost الأشجار بشكل تسلسلي. تحاول كل شجرة جديدة تصحيح أخطاء الأشجار السابقة. تعد تقنية التعزيز هذه المعيار الصناعي الحالي لمسابقات تحليلات البيانات الجدولية.
• شجرة القرار مقابل التعلم العميق: تتفوق أشجار القرار على البيانات المهيكلة الجدولية. ومع ذلك، بالنسبة للبيانات غير المهيكلة مثل الصور أو الفيديو، تكون نماذج التعلم العميق (DL) متفوقة. تستخدم بنيات مثل YOLO26 الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات من البكسلات الخام تلقائياً، وهي مهمة لا تستطيع أشجار القرار تنفيذها بفعالية.

تطبيقات 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، والائتمان التاريخي، والوضع الوظيفي، يمكن للنموذج تصنيف المتقدم كـ "خطر منخفض" أو "خطر مرتفع". يساعد هذا التطبيق في التنقيب عن البيانات المؤسسات على إدارة معدلات التخلف عن السداد بفعالية. انظر كيف تناقش IBM أشجار القرار في سياقات الأعمال.

2. التشخيص الطبي والتصنيف: في حلول الرعاية الصحية للذكاء الاصطناعي، تساعد أشجار القرار الأطباء عبر استبعاد الحالات بشكل منهجي بناءً على أعراض المريض ونتائج الفحوصات. على سبيل المثال، قد يستخدم نظام التفرز شجرة لتحديد ما إذا كان المريض يحتاج إلى رعاية طارئة فورية أو فحص روتيني، مما يعزز الكفاءة التشغيلية.

مثال على التنفيذ#

في خطوط أنابيب الرؤية الحاسوبية، تُستخدم شجرة القرار أحياناً لتصنيف الناتج الجدولي (مثل نسب أبعاد مربعات الإحاطة أو رسومات الهستوغرام للألوان) الذي يولده مكتشف 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}")

الأهمية في نظام الذكاء الاصطناعي البيئي#

فهم أشجار القرار أمر حاسم لاستيعاب تطور الذكاء الاصطناعي (AI). وهي تمثل جسراً بين الأنظمة اليدوية القائمة على القواعد والأتمتة الحديثة القائمة على البيانات. في الأنظمة المعقدة، تعمل غالباً جنباً إلى جنب مع الشبكات العصبية. على سبيل المثال، قد يتعامل نموذج YOLO26 مع اكتشاف الكائنات في الوقت الفعلي، بينما تحلل شجرة القرار اللاحقة تكرار ونوع الاكتشافات لتشغيل منطق عمل محدد، مما يوضح التآزر بين مناهج تعلم الآلة (ML) المختلفة.

يمكن للمطورين الذين يتطلعون إلى إدارة مجموعات البيانات لتدريب نماذج الرؤية أو المصنفات الجدولية الاستفادة من منصة Ultralytics تبسيط سير عملهم، مما يضمن دقة عالية في تعليق البيانات وإدارتها.