Decision Tree في Python: شرح مفصل

تُعد شجرة القرار Decision Tree واحدة من أشهر خوارزميات التعلم الآلي التي تُستخدم في مهام التصنيف والتنبؤ. تعتمد شجرة القرار على تقسيم البيانات إلى مجموعات فرعية بناءً على السمات الأكثر أهمية، مما يسهل عملية اتخاذ القرار. في هذا المقال، سنتعرف على كيفية بناء واستخدام شجرة القرار في Python مع تقديم أمثلة توضيحية.

كيفية بناء شجرة القرار في Python

لبناء شجرة القرار في Python، يُستخدم مكتبة scikit-learn التي توفر مجموعة متنوعة من أدوات التعلم الآلي. الخطوة الأولى هي استيراد البيانات وتحضيرها، يليها تقسيم البيانات إلى مجموعات التدريب والاختبار. بعد ذلك، نقوم بإنشاء نموذج شجرة القرار وتدريبه على بيانات التدريب. يمكن استخدام النموذج المدرب لإجراء التوقعات على بيانات الاختبار. إليك مثال بسيط يوضح كيفية بناء شجرة القرار:

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import metrics

# تحميل البيانات
iris = load_iris()
X = iris.data
y = iris.target

# تقسيم البيانات
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# إنشاء النموذج
clf = DecisionTreeClassifier()

# تدريب النموذج
clf = clf.fit(X_train, y_train)

# إجراء التوقعات
y_pred = clf.predict(X_test)

# تقييم النموذج
print("دقة النموذج:", metrics.accuracy_score(y_test, y_pred))

تطبيقات وأمثلة عملية لشجرة القرار

تمتاز شجرة القرار بقدرتها على تفسير النتائج بسهولة، مما يجعلها مفيدة في العديد من التطبيقات العملية مثل التصنيف والتنبؤ في المجالات الطبية والمالية. على سبيل المثال، يمكن استخدامها لتحديد ما إذا كان العميل سيقوم بسداد قرض بناءً على سماته الديموغرافية والتاريخ الائتماني. يمكن أيضًا استخدامها في مجال الرعاية الصحية لتشخيص الأمراض بناءً على الأعراض والاختبارات الطبية.

إليك مثال آخر يوضح كيفية استخدام شجرة القرار في حل مشكلة تصنيف تعتمد على مجموعة بيانات مختلفة:

from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import metrics

# تحميل البيانات
wine = load_wine()
X = wine.data
y = wine.target

# تقسيم البيانات
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# إنشاء النموذج
clf = DecisionTreeClassifier()

# تدريب النموذج
clf = clf.fit(X_train, y_train)

# إجراء التوقعات
y_pred = clf.predict(X_test)

# تقييم النموذج
print("دقة النموذج:", metrics.accuracy_score(y_test, y_pred))

في الختام، تُعتبر شجرة القرار أداة قوية ومرنة في مجال التعلم الآلي. من خلال استخدام مكتبة scikit-learn في Python، يمكن بسهولة بناء وتقييم نماذج شجرة القرار لمجموعة متنوعة من التطبيقات. توفر هذه الخوارزمية طريقة بديهية ومفهومة لاتخاذ القرارات بناءً على البيانات المتاحة.