أشجار القرار (Decision Trees): كيف تتعلم وكيف نقرأها وما الـ Overfitting؟
Decision Trees
الجواب المختصر
شجرة القرار (Decision Tree) تقسم البيانات خطوة خطوة بسؤال بسيط على إحدى الميزات، ثم تكرر التقسيم داخل كل جزء حتى تصل إلى قرار نهائي. مثال: هل طول البتلة كبير؟ إن نعم فقد تكون من نوع معين، وإن لا ننتقل لسؤال آخر. مميزاتها: سهلة الفهم والتفسير وتعمل غالبًا دون توحيد مقاييس الميزات. عيبها: قد تحفظ بيانات التدريب إن كانت عميقة جدًا (Overfitting).
كيف تتعلم؟
تختار الشجرة في كل مستوى سؤالًا يقسم البيانات بأفضل طريقة، وتستمر الأسئلة حتى الوصول إلى أوراق الشجرة (Leaf Nodes) حيث القرار النهائي.
كيف نقرأ رسمها؟
- كل صندوق سؤال على ميزة (هل القيمة أقل من حد معين؟).
- كل سهم إجابة وانتقال إلى فرع جديد.
- المربعات الأخيرة هي الفئة المتوقعة.
- الألوان تشير إلى الفئة الغالبة في الفرع.
تجنب Overfitting
الشجرة العميقة جدًا قد تبدو ممتازة على التدريب لكنها تفشل على بيانات جديدة. لتقليل الحفظ يمكن تحديد أقصى عمق أو أدنى عدد عينات في الورقة. ولذلك نقيس الأداء على بيانات اختبار لم يرها النموذج (التدريب والاختبار).
وهي نموذج تصنيف، وتُقارن مع SVM في القدرة على التفسير.
ومن المفيد أن ترسم شجرة صغيرة بيدك لمشكلة بسيطة، فهذا يوضح لماذا يعدّ هذا النموذج من أسهل النماذج في التفسير.
وإن أردت شرح قرار لمستخدم أو إدارة فالشجرة تتيح تتبع المسار من الجذر إلى الورقة سؤالًا بسؤال.
المصطلحات: عربي ↔ English
- شجرة قرار
- Decision Tree
- ورقة الشجرة
- Leaf Node
- فرط التعلم
- Overfitting
- عمق الشجرة
- Tree Depth
لماذا يهمّ هذا في BTEC؟
الشجرة من أكثر النماذج قابلية للتفسير، وهذه ميزة مهمة حين يجب شرح القرار.
أسئلة تجيب عنها هذه الصفحة
- ما هي أشجار القرار؟
- كيف أقرأ شجرة القرار؟
مفاهيم مرتبطة
- مجموعات التدريب والتحقق والاختبار: كيف نقسّم البيانات ولماذا؟نقسّم البيانات إلى تدريب (يتعلم منها النموذج)، وتحقق (لضبط الإعدادات واختيار البنية)، واختبار (تُحفظ بعيدًا لقياس الأداء الحقيقي بعد التدريب). ويجب أن تحافظ المجموعات على نسب الفئات نفسها، وأن يُعزل الاختبار فلا تتلوث بيانات الاختبار.
- التصنيف والانحدار: كيف أعرف نوع المهمة؟إذا كانت المخرجات اسمًا أو فئة (نعم/لا، قطة/كلب، سبام/ليس سبام) فهي مهمة تصنيف، وإذا كانت رقمًا مستمرًا (سعر، طول، حرارة، علامة) فهي انحدار. وقد سمّي انحدارًا لأن هدفه توقع قيمة رقمية لا فئة.
- آلة المتجهات الداعمة (SVM): الهامش والمتجهات الداعمة والنواةSVM نموذج تصنيف يرسم حدًّا يفصل الفئات بأكبر هامش أمان عن أقرب النقاط (المتجهات الداعمة). يمكن أن يكون خطيًا أو غير خطي باستخدام نواة (Kernel)، ويحتاج توحيد مقاييس الميزات.
- الشبكات العصبية: أين نستخدمها وما فوائدها وعيوبها؟الشبكات العصبية مناسبة للبيانات المعقدة (صور، نصوص، صوت) حيث يصعب كتابة قواعد يدويًا. تتعلم العلاقات المعقدة وقد تحقق دقة عالية، لكنها تحتاج بيانات كثيرة وقدرة حسابية، وصعبة التفسير (صندوق أسود)، وقد تقع في فرط التعلم.
عن كاتب الصفحة
مدرّس BTEC IT · الأردن
- نوع المحتوى
- شرح مبني على مادة أحمد دومي — وليس نصًّا رسميًّا من Pearson
- آخر مراجعة
- ملاحظة على المصدر
- تعتمد هذه الصفحة على ملاحظات قصيرة لأحمد دومي عن الموضوع، وأُضيف إليها شرح توضيحي عام ليكتمل الجواب.
- المصدر
- ملاحظات تعلّم الآلة وأدوات الذكاء الاصطناعي (أحمد دومي) — أشجار القرار