إيه هي الـ Decision Tree؟ | شجرة القرار

باختصار

الـ Decision Tree هو نموذج تعلم آلي بياخد قرارات عن طريق سلسلة أسئلة متفرعة زي الشجرة. كل سؤال بيوديك لفرع معين، ولحد ما توصل للنتيجة النهائية — زي لعبة “٢٠ سؤال” بالظبط.

بالتفصيل

تخيل إنك بتلعب لعبة مع صاحبك وهو مخبي حاجة وإنت بتسأله أسئلة عشان تعرفها. “هي حاجة حية؟” لو أه، “هي حيوان؟” لو أه، “بتمشي على أربعة؟” — وهكذا لحد ما توصل للإجابة. الأسئلة دي بتتفرع زي فروع الشجرة، وكل إجابة بتاخدك في اتجاه مختلف. ده بالظبط اللي بتعمله Decision Tree في الذكاء الاصطناعي.

شجرة القرار بتبدأ من فوق بسؤال رئيسي (اسمه الـ Root Node)، وكل إجابة بتفرّع لسؤال تاني (الـ Internal Nodes)، لحد ما توصل للقرار النهائي في الآخر (الـ Leaf Nodes). الخوارزمية بتختار الأسئلة اللي بتقسم البيانات بأحسن طريقة ممكنة عشان توصل لأدق نتيجة.

من أهم مميزات شجرة القرار إنها سهلة الفهم والتفسير. يعني لو سألت “ليه النموذج أخد القرار ده؟” تقدر ترجع تتبع الأسئلة والإجابات وتفهم المنطق ورا القرار. وده بيخليها مفيدة جداً في المجالات اللي محتاجة شفافية زي الطب والقانون.

بس شجرة القرار عندها مشكلة مشهورة وهي الـ Overfitting — يعني ممكن تحفظ بيانات التدريب زيادة عن اللزوم وتبقى مش كويسة مع بيانات جديدة. عشان كده العلماء طوروا تقنيات زي الـ Random Forest اللي بتستخدم أشجار كتير مع بعض عشان تتغلب على المشكلة دي.

شجرة القرار بتتبع أسلوب الـ Supervised Learning (التعلم الموجّه)، يعني بتحتاج بيانات مصنفة عشان تتدرب عليها وتتعلم تاخد قرارات صح.

مثال عملي

البنك ممكن يستخدم Decision Tree عشان يقرر يوافق على قرض ولا لأ. الشجرة بتسأل: “الدخل الشهري أكتر من ٥٠٠٠ جنيه؟” لو أه: “عنده قروض تانية؟” لو لأ: “مدة الشغل أكتر من سنة؟” لو أه: “يتم الموافقة على القرض.” كل سؤال بيضيّق الاختيارات لحد ما يوصل لقرار نهائي.

مصطلحات مرتبطة

• الغابة العشوائية (Random Forest)
• التعلم الجماعي (Ensemble Learning)
• التعلم الموجّه (Supervised Learning)
• الإفراط في التعلم (Overfitting)