شجرة القرار في تعلم الآلة نموذج يتنبأ بفئة أو قيمة عبر اختبارات متتابعة على خصائص البيانات. يبدأ المثال من أعلى الشجرة، ويتبع الفروع حتى يصل إلى ورقة تحمل النتيجة. [1]
الخلاصة السريعة
تتعلم شجرة القرار اختبارات من أمثلة سابقة، ثم تستخدم مسارًا من هذه الاختبارات للتنبؤ بنتيجة مثال جديد. [1]
- تمثل العقد اختبارات، وتمثل الورقة نتيجة التنبؤ؛ قد تكون النتيجة فئة أو قيمة عددية. [1]
- تختار خوارزمية التدريب انقسامات تحسن المعيار محليًا؛ لا يعني ذلك العثور على أفضل شجرة ممكنة. [2]
- تتبع حالة جديدة فرعًا واحدًا في كل اختبار حتى تصل إلى ورقة؛ المثال الوارد للتوضيح فقط.
- يمكن الحد من تعقيد الشجرة بتقييد عمقها أو حجم أوراقها، ويحتاج الضبط إلى بيانات تحقق. [1]
- سهولة قراءة شجرة صغيرة لا تضمن صحة تنبؤها؛ قد تتغير بنيتها عندما تتغير بيانات التدريب. [1]
ماذا تعني العقدة والفرع والورقة؟
العقدة الداخلية تختبر خاصية، مثل تجاوز مدة معينة. يحدد جواب الاختبار الفرع التالي. في التصنيف تعطي الورقة فئة، وفي الانحدار تعطي تقديرًا عدديًا وفق إعداد النموذج. [1]
كيف تتعلم الشجرة أسئلتها؟
تجرب خوارزمية التدريب تقسيمات للبيانات، وتختار تقسيمًا يحسن معيارًا مثل نقاء الفئات. تكرر العملية داخل الأجزاء الجديدة. البحث الجشع يختار ما يبدو أفضل الآن، ولا يفحص بالضرورة جميع الأشجار المحتملة. [2]
فكر في محرر يفرز بطاقات تحمل أوصافًا. يمكنه السؤال عن اللون أولًا أو الحجم أولًا. السؤال المفيد يجعل ما في كل كومة أكثر تشابهًا في النتيجة المطلوبة. هذا تشبيه لفكرة التقسيم، وليس ادعاءً أن كل مسألة تتبع ترتيبًا واحدًا مناسبًا.
مثال: كيف تسلك شحنة مسارًا محددًا؟
في مثال تعليمي من إعداد المقال، نفرض شجرة لفرز شحنات إلى «صغيرة» و«كبيرة». يسأل الجذر: هل الوزن أكبر من كيلوغرامين؟ إن كان الجواب نعم تصل الشحنة إلى ورقة «كبيرة». إن كان لا، يسأل الاختبار التالي: هل أطول ضلع أكبر من 30 سنتيمترًا؟
شحنة وزنها كيلوغرام واحد وأطول ضلع فيها 40 سنتيمترًا تسلك فرع «لا» في الاختبار الأول، ثم «نعم» في الثاني، وتصل إلى «كبيرة». النتيجة هنا توضح قراءة المسار فقط؛ الأرقام افتراضية، ولم تُستخرج من بيانات شحن، ولا تحدد تعرفة أو معيار تغليف.
لاحظ أن الشحنة لم تمر بكل فروع الشجرة. يكفي أن تعرف قيمة الخاصية المطلوبة في كل عقدة تزورها. ولتفسير جوابها، اكتب الاختبارين اللذين اجتازتهما بالترتيب، بدل الاكتفاء باسم الفئة النهائي.
كيف نمنع تفاصيل زائدة؟
الشجرة التي تنمو كثيرًا قد تحفظ تفاصيل خاصة بأمثلة التدريب. من وسائل الحد من ذلك تقييد العمق، واشتراط عدد أدنى من الأمثلة في الورقة، أو تقليم فروع. اختَر الإعدادات باستخدام تحقق مستقل. [1]
متى تكون قراءة الشجرة مفيدة؟
يمكن رسم الشجرة الصغيرة وقراءة قواعدها. لكن تغييرات بسيطة في بيانات التدريب قد تغير بنيتها، ولا تكفي قابليتها للقراءة لإثبات الدقة. [1]
في مثال الشحنات، اسأل قبل اعتماد الشجرة: من سمّى الفئات؟ هل «كبيرة» تعني وزنًا أم حجمًا أم صعوبة مناولة؟ كتابة هذه الأسئلة بجانب الرسم تمنع تحويل مسار واضح إلى قرار بلا معنى محدد. المطلوب تفسير جواب لمهمة معروفة، ثم التحقق من نجاحه في تلك المهمة.
المصادر ومتابعة القراءة
- scikit-learn: Decision Trees (يفتح في نافذة جديدة)scikit-learn.org
- Google: Growing decision trees (يفتح في نافذة جديدة)developers.google.com
أُعدّ هذا المقال بصياغة عربية أصلية بالاستناد إلى المصادر أعلاه، وهو مدخل تمهيدي إلى الموضوع. اقرأ منهجية المحتوى وحدوده.