خوارزميات الأشجار القرارية في تعلم الآلة: مبادئ العمل وتطبيقاتها

خوارزميات الأشجار القرارية

الأشجار القرارية Decision Trees هي نوع من خوارزميات التعلم الآلي  تحت الإشراف تُستخدم بشكل واسع في كل من التصنيف والتنبؤ. تتميز الأشجار القرارية بسهولة فهمها وتفسيرها، حيث تقوم بعملية اتخاذ القرار على شكل شجرة تتكون من عقد وفروع.

لماذا تعتبر الشجرة القرارية مهمة في تعلم الآلة؟

تقدم الأشجار القرارية في تعلم الآلة طريقة فعالة لاتخاذ القرارات لأنها تعرض المشكلة وجميع النتائج المحتملة. تمكن المطورين من تحليل العواقب المحتملة للقرار، ومع وصول الخوارزمية إلى مزيد من البيانات، يمكنها توقع النتائج للبيانات المستقبلية

كيفية عمل الأشجار القرارية

تعمل الأشجار القرارية من خلال تقسيم البيانات إلى أجزاء أصغر وأكثر تجانسًا باستخدام قواعد قرار بسيطة متتالية. تبدأ العملية من الجذر (العقدة الأولى) وتنتهي بالأوراق (العقد النهائية) حيث يتم اتخاذ القرار النهائي. في كل عقدة، يتم طرح سؤال بناءً على ميزة معينة من البيانات، ويتم تقسيم البيانات إلى مجموعتين أو أكثر بناءً على إجابة هذا السؤال. يتم تكرار هذه العملية حتى يتم الوصول إلى الأوراق التي تمثل فئات أو قيم التنبؤ النهائية.

أنواع الأشجار القرارية في تعلم الآلة

يمكن أن تكون الأشجار القرارية في تعلم الآلة إما أشجار تصنيف أو أشجار انحدار. معًا، يقع كلا النوعين من الخوارزميات في فئة "أشجار التصنيف والانحدار" وغالبًا ما يشار إليها بـ CART. وتتمثل أدوارها في "التصنيف" و "التنبؤ".

1.أشجار التصنيف( Classification)

تحدد أشجار التصنيف ما إذا كان الحدث قد حدث أو لم يحدث. عادة، يتضمن ذلك نتيجة "نعم" أو "لا".

2. أشجار الانحدار( Regression)

من ناحية أخرى، تتنبأ أشجار الانحدار بالقيم المستمرة بناءً على البيانات أو مصادر المعلومات السابقة. على سبيل المثال، يمكنها التنبؤ بسعر البنزين أو ما إذا كان العميل سيشتري البيض (بما في ذلك نوع البيض وأي متجر سيتم الشراء منه).

هذا النوع من اتخاذ القرارات يتعلق أكثر ببرمجة الخوارزميات للتنبؤ بما يُحتمل أن يحدث، بناءً على السلوكيات أو الاتجاهات السابقة.

مثال بسيط على الأشجار القرارية

لنأخذ مثالًا بسيطًا لتوضيح كيفية عمل الأشجار القرارية. افترض أننا نريد بناء نموذج لتحديد ما إذا كان العميل سيشتري منتجًا معينًا بناءً على خصائص مثل العمر والدخل.

1. العقدة الجذرية ((Root Node تبدأ الشجرة من العقدة الجذرية التي تمثل السؤال الأول. على سبيل المثال، قد يكون السؤال: "هل عمر العميل أقل من 30 سنة؟"

2. الفروع (Branches )يتم تقسيم البيانات بناءً على الإجابة عن السؤال الأول:

    - نعم: ننتقل إلى عقدة جديدة تحتوي على سؤال آخر، مثلاً: "هل دخل العميل أكثر من 50,000؟

    - لا: ننتقل إلى عقدة جديدة تحتوي على سؤال مختلف، مثلاً: "هل العميل متزوج؟"

3. الأوراق ((Leaves تمثل الأوراق القرارات النهائية. بناءً على الإجابات السابقة، يمكن أن تكون الأوراق:

    - نعم، نعم: "سيشتري العميل المنتج"

    - نعم، لا: "لن يشتري العميل المنتج"

    - لا، نعم: "سيشتري العميل المنتج"

    - لا، لا: "لن يشتري العميل المنتج"

في هذا المثال:

- قمنا بإنشاء بيانات تدريبية تحتوي على عمر العملاء، ودخلهم، وحالتهم الاجتماعية.

- استخدمنا هذه البيانات لبناء نموذج شجرة القرار.

- اختبرنا النموذج ببيانات عميل جديد وتوقعنا ما إذا كان سيشتري المنتج أم لا.

الناتج يظهر إذا كان العميل الجديد سيشتري المنتج أو لا بناءً على النموذج الذي بنيناه. الأشجار القرارية تعتبر أداة قوية وبسيطة لفهم البيانات واتخاذ القرارات بناءً على الأنماط المكتشفة.

مثال  رقم 2 على استخدام الأشجار القرارية في تعلم الآلة

دعونا نستعرض كيفية عمل الأشجار القرارية من خلال مثال بسيط.

السيناريو: نريد تحديد ما إذا كان الشخص يحب الألعاب الكمبيوتر بناءً على عمره وجنسه.

هنا هيكل الشجرة القرارية بناءً على الصورة المقدمة:

1. Root:

   - السؤال: هل عمر الشخص أقل من 15 سنة؟

2. التقسيم الأول:

   - إذا كانت الإجابة نعم:

     - ورقة الشجرة: درجة التوقع = +2

     - هذا يشير إلى احتمالية كبيرة أن الشخص يحب الألعاب الكمبيوتر.

   - إذا كانت الإجابة لا:

     - السؤال التالي: هل الشخص ذكر؟

3. التقسيم الثاني:

   - إذا كانت الإجابة نعم:

     - ورقة الشجرة: درجة التوقع = +0.1

     - هذا يشير إلى احتمالية طفيفة أن الشخص يحب الألعاب الكمبيوتر.

   - إذا كانت الإجابة لا:

     - ورقة الشجرة: درجة التوقع = -1

     - هذا يشير إلى احتمالية منخفضة أن الشخص يحب الألعاب الكمبيوتر.

شرح المثال:

1. ميزات الإدخال:

   - لدينا معلومات عن عدة أفراد، بما في ذلك عمرهم وجنسهم.

2. عملية اتخاذ القرار:

   - الشجرة القرارية تتحقق أولاً مما إذا كان عمر الشخص أقل من 15 سنة.

   - إذا كان الشخص أصغر من 15 سنة، يتم توجيهه إلى ورقة الشجرة بدرجة توقع +2، مما يشير إلى احتمالية كبيرة أن يحب الألعاب الكمبيوتر.

   - إذا كان عمر الشخص 15 سنة أو أكثر، تتحقق الشجرة مما إذا كان الشخص ذكر.

   - الذكور الذين يبلغون 15 سنة أو أكثر يتم توجيههم إلى ورقة الشجرة بدرجة توقع +0.1، مما يشير إلى احتمالية طفيفة أن يحب الألعاب الكمبيوتر.

   - الإناث الذين يبلغون 15 سنة أو أكثر يتم توجيههم إلى ورقة الشجرة بدرجة توقع -1، مما يشير إلى احتمالية منخفضة أن يحب الألعاب الكمبيوتر.

التوضيح:

1. الإدخال: العمر، الجنس

2. الشجرة القرارية:

```

            العمر < 15؟

             /     \

           نعم      لا

           /         \

   التوقع: +2    هل الشخص ذكر؟

                       /  \

                     نعم   لا

                     /       \

            التوقع: +0.1  التوقع: -1

```

الخلاصة:

- تستخدم هذه الشجرة القرارية أسئلة بسيطة بناءً على العمر والجنس للتنبؤ بما إذا كان الشخص يحب الألعاب الكمبيوتر.

- توفر أوراق الشجرة درجات التوقع، مما يوجهنا لاتخاذ قرار مبني على البيانات المدخلة.

هذا المثال يوضح كيفية استخدام الأشجار القرارية لتصنيف البيانات واتخاذ القرارات بناءً على سلسلة من الأسئلة.