إن أشجار القرار من بين أكثر الخوارزميات إلهائية واتساع نطاقها، وجوّزت لشفافيتها وسهولة تفسيرها، وسواء طبقت على وظائف التصنيف أو التقصير، فإن هذه النماذج تُخلّص القرارات إلى سلسلة من القواعد البسيطة التي تعكس المنطق البشري، وهذا التفسير يجعل أشجار القرار خياراً متقطعاً لتحليل البيانات الاستطلاعية، ومجالات يمكن فيها تفسير النماذج على نحو كبير مثل ممارسات الرعاية الصحية، والمرونة.

ما هو "كروس-فاليدشن"؟

إنّ التّعميم هو إجراء إعادة التّحدّث، يُستخدم لتقييم قدرة نموذج التعلم الآلي على التعميم على مجموعة بيانات مستقلة، بدلاً من الاعتماد على اختبار واحد، يقسم البيانات إلى عدة مجموعات فرعية مُتكاملة، تُدعى الطّائرة، ويُدرّب النموذج على مزيج من كلّ شيء عدا واحد، ثمّ يُختبر على الغطّاء المتبقي.

من الناحية التاريخية، نشأ التكهن من الحاجة إلى تقييم الأداء النموذجي دون إهدار البيانات، وأبسط البدائل، والمصادقة على المجازفة، وترك جانباً جزء ثابت من البيانات للاختبار،

لماذا القرار تريز مُستعدة للتفوق

ويحدث التقلب عندما يتعلم نموذج بيانات التدريب بشكل جيد جداً، بما في ذلك ضوضاءه وأجهزةه الخارجية، على حساب استخلاص الاتجاه العام، حيث أن أشجار القرار معرضة بشكل خاص للتجاوز في استخدام الأشجار، أولاً، يمكن أن تنمو إلى أي عمق، وأن تقسم البيانات إلى حين أن كل ورقة تتضمن ملاحظة واحدة أو تكون صافية، مما يؤدي إلى نموذج يقسم بين الدورات التدريبية ويفشل في التسلسل الهرميني.

وإذا زادت الشجرة إلى 50 ورقة، فإن كل ورقة لا تتضمن سوى عينتين، وفي مجموعة التدريب، ستحقق الشجرة دقة قريبة من مستوى الأداء لأنها تحفظ كل عينة، ولكن عندما تقدم بيانات جديدة، فإن متوسط درجات التحذير لن يكون عاماً، فإن متوسط التقلبات في النموذج سيكشف عن ذلك عن وجود تفاوت كبير في متوسط الأثر.

دور التوثيق عبر الحدود في الاختيار النموذجي وخط القفز

بالإضافة إلى التقييم البسيط، فإن التقاطع يؤدي دوراً محورياً في اختيار النموذج وتقريب المقياس، وعندما تبني شجرة القرار، يجب أن تختار مقاييس ضغط الدم مثل أقصى درجة، والعدد الأدنى من العينات المطلوبة لتقسيم العقد الداخلي، وعينات الحد الأدنى لكل ورقة، وهذه الخيارات تتحكم مباشرة في تعقيد النموذج وميله إلى الإفراط في التكرار، وبدون تداخل

كما أن التقلبات المتقاطعة تساعد في مقارنة نماذج مختلفة مثل شجرة القرار العميق مقابل شجرة مُتذبة أو شجرة القرار مقابل غابة عشوائية، عن طريق تقييم كل نموذج يستخدم نفس الإجراء المتقاطع، تحصل على مقارنة بين نقاط التفاح والتخريب التي تُظهر الفرق بين عدة مرات، والنموذج الذي يُختار من أجل نشره، على افتراض أن قياس التقييم يعني وجود هدف في مجال العمل.

أنواع التقنيات عبر التردد

وهناك عدة تقنيات مشتركة بين الولاء، لكل منها مواطن قوة ومبادلات، ويعتمد الاختيار على حجم البيانات ونوع المشكلة والميزانية الحسابية، وهنا نغطي أهم الطرق لتقييم شجرات القرار.

K-Fold Cross-Validation

In k-fold cross-validation, the dataset is randomly partition into k[FLT:] equal-sized folds. The model is trained on ]k-1]

الصليب الأحمر المضبوط

إن كان هناك تطابق بين الـ (ك) يمكن أن ينتج مضاعفات مع توزيعات من الدرجة المُختللة خاصة عندما يكون المتغير المستهدف نادرًا، إذا انتهى الأمر بـ عدم وجود عينات من فئة أقلية، فإن أداء النموذج على هذا المنعطف يمكن أن يكون مضللًا، فصول الاختلال المُعدي المُتَعَدّدّد للثبات، يُعالج هذا من خلال الحفاظ على نسبة العينات لكلّة في كلّة في كلّة.

الإجازة - واحدة - أوت عبر الحدود

أما بالنسبة إلى هذه الفئة فهي حالة متطرفة من الاختبارات المتعددة الجوانب حيث تكون [الخطابات المفلورة](ك) [[FLO:1]) مساوية لعدد العينات المستخدمة في مجموعة البيانات، وتستخدم كل عينة كمجموعة اختبار واحدة، في حين أن العينات المتبقية تشكل مجموعة التدريب.

Repeated K-Fold Cross-Validation

إن تكرار عملية السحب المزدوج يكرر عملية السحب المزدوج مرات عديدة، وفي كل مرة تقسم فيها البيانات بشكل عشوائي مختلف إلى مجموعات، مما يزيد من التباين في تقدير الأداء، فعلى سبيل المثال، قد تؤدين عملية تجميعية متعددة الأبعاد، متكررة 3 مرات، مما يؤدي إلى 15 تقييما، والمقياس النهائي هو المتوسط في جميع عمليات إعادة التكرار، ويزيد من حدة تكرار البيانات عندما تكون مجموعة البيانات صغيرة وترغب في ذلك.

Holdout Validation vs. Cross-Validation

أما التصديق على الاختراق، حيث تقسم البيانات مرة إلى مجموعة تدريب ومجموعة اختبار )مثلاً ٨٠/٢٠(، فهو أبسط وأسرع ولكنه يعاني من فروق كبيرة، ويتوقف تقدير الأداء بشدة على العينات التي تهبط في مجموعة الاختبارات، أما بالنسبة لأشجار القرار، فإن وجود الخصم الواحد قد يكون تقديراً زائداً أو يقلل من تقدير الأداء الحقيقي، مما يؤدي إلى قرارات نموذجية ضعيفة، ويخفف من ذلك باختلاف عدد الشقسامات.

التنفيذ عبر الحدود: دليل عملي

(د) معظم فترات التعلم الآلية توفر الدعم في مجال التقاطع، وفي بيتون، تكون مكتبة هي المعيار الفعلي لنماذج شجر القرار، كما أن تعمل آلياً على عملية التقسيم والتدريب والتكسير، وتورد النموذج (مثلاً، ) والصفائف المقيدة للبيانات، وعدد العائدين

عند تنفيذ عملية التداخل لجرائم اتخاذ القرار، يُوجّه الانتباه إلى عملية تجهيز البيانات، أيّ تحولات تتعلّم المعايير من البيانات، مثل التوسع أو الترميز، يجب أن تتم ضمن كلّ سلسلة تدريبات تُستخدم لتتجنّب تسريب البيانات، عادة ما تكون غير ضرورية لأن الأشجار متطوّرة للتحولات الأحادية، لكنّار المُتسرّبة من المتغيرات المُثّة يجب أن يتمّة بشكل متسق عبر المطوّات.

الرواسب المشتركة وأفضل الممارسات

وفي حين أن التجاوزات أداة قوية، يجب تطبيقها بشكل صحيح، فالخطأ المشترك هو استخدام التحلل المتداخل لاختيار المعالم قبل تقييم النموذج، وإذا ما اخترتم خصائص تستند إلى مجموعة البيانات بأكملها، فإنكم تتسربون المعلومات من مجموعة الاختبارات، مما يؤدي إلى أداء متفائل للغاية، ويجب أن يتم اختيار الأعضاء في حلقة التحلل، مع استخدام بيانات التدريب من كل مجموعة من مجموعات البيانات فقط.

(أ) اختيار قيمة [التحويل: 0](ك) [الاستعمال الافتراضي:]) مهم أيضاً بالنسبة لمعظم مجموعات البيانات،

ومن أفضل الممارسات الأخرى استخدام المقارنات بين النماذج واختبارات الأهمية الإحصائية، وحتى إذا كان للنموذج ألف درجة أعلى من الرقم القياسي للنموذج باء، فإن الفرق قد يكون راجعا إلى الفرصة، واستخدام الاختبارات المصحوبة المصحوبة أو اختبار الويلكسون الموقع لتحديد ما إذا كان الفرق كبيرا، وهذه الاختبارات تمثل المعالين بين الطينات، وبالنسبة لأشجار القرار، التي تتسارع وتيرة التدريب، يمكن أن تجري فترات التكافل.

وأخيرا، تذكر أن التقاطع ليس حلاً للملابس، إذ تقدر الأداء على البيانات المستمدة من نفس التوزيع الذي توزعه بيانات التدريب، وإذا كانت بيانات النشر من توزيع مختلف (نوبات التوزيع)، فإن التقاطع لن يكشف عن ذلك، وفي هذه الحالات، تحتاج إلى مزيد من التحقق من البيانات التي تمثل المجال المستهدف، كما أن التحلل عبر الحدود لا يخبركم لماذا يفشل النموذج؛ بل يقدم تقديراً قياسياً للارتباك الرقمي.

▪ تبادل المعلومات في سياق عمليات صنع القرار

فأفضل أشجار القرار تستخدم في كثير من الأحيان كعاملين متعلمين أساسيين في أساليب مثل الغابات العشوائية والرفع التدريجي، وفي حين أن التجمعات تقلل من الإفراط في الملاءمة مقارنة بشجرة واحدة، فإن التفريغ المتبادل يظل مهماً بالنسبة لتصليح المقاييس الفائقة (عدد الأشجار، أقصى درجة، معدل للتعلم، وما إلى ذلك).

خاتمة

(أ) إن الاكتشاف عبر الحدود أداة لا غنى عنها في تقييم نماذج شجرات القرار، وقدرتها على توفير تقدير قوي منخفض للأداء النموذجي، تساعد على كشف الإفراط في التأقلم، وترشد الضبط فوق المقياس، وتدعم اختيار النماذج المستنيرة، وسواء استخدمت خمسة أضعاف، أو تداخل الكم، أو تكرار التداخل بين المقاييس، فإن المبدأ يظل هو نفسه: