شجرة القرار

شجرة القرار هي بنية تقسيم متكررة لدعم القرار تستخدم نموذجًا شبيهًا بالشجرة للقرارات وعواقبها المحتملة، بما في ذلك نتائج الأحداث العشوائية وتكاليف الموارد والفائدة . إنها إحدى الطرق لعرض خوارزمية تحتوي فقط على عبارات تحكم مشروطة.

تُستخدم أشجار القرار بشكل شائع في بحوث العمليات ، وتحديدًا في تحليل القرار ، ^[1] للمساعدة في تحديد الاستراتيجية الأكثر احتمالية للوصول إلى هدف، ولكنها أيضًا أداة شائعة في التعلم الآلي .

ملخص

شجرة القرار عبارة عن هيكل يشبه مخطط انسيابي حيث تمثل كل عقدة داخلية "اختبارًا" لخاصية ما (على سبيل المثال ما إذا كانت العملة المعدنية ستظهر وجهًا أم ظهرًا عند رميها)، ويمثل كل فرع نتيجة الاختبار، وتمثل كل عقدة ورقة تسمية فئة (قرار يتم اتخاذه بعد حساب جميع السمات). تمثل المسارات من الجذر إلى الورقة قواعد التصنيف .

في تحليل القرار ، يتم استخدام شجرة القرار ومخطط التأثير المرتبط بها بشكل وثيق كأداة دعم قرار بصرية وتحليلية، حيث يتم حساب القيم المتوقعة (أو المنفعة المتوقعة ) للبدائل المتنافسة.

تتكون شجرة القرار من ثلاثة أنواع من العقد: ^[2]

عقد القرار - يتم تمثيلها عادةً بالمربعات
عقد الفرصة - يتم تمثيلها عادة بواسطة الدوائر
العقد النهائية - يتم تمثيلها عادة بالمثلثات

تُستخدم أشجار القرار بشكل شائع في بحوث العمليات وإدارة العمليات . إذا كان من الضروري في الممارسة العملية اتخاذ القرارات عبر الإنترنت دون استرجاعها في ظل المعرفة غير المكتملة، فيجب أن تكون شجرة القرار موازية لنموذج الاحتمالات كنموذج الاختيار الأفضل أو خوارزمية نموذج الاختيار عبر الإنترنت . ^{[ بحاجة لمصدر ]} استخدام آخر لأشجار القرار هو كوسيلة وصفية لحساب الاحتمالات الشرطية .

يتم تدريس أشجار القرار ومخططات التأثير ووظائف المنفعة وأدوات وطرق تحليل القرار الأخرى لطلاب البكالوريوس في كليات إدارة الأعمال والاقتصاد الصحي والصحة العامة، وهي أمثلة على أساليب أبحاث العمليات أو علوم الإدارة . تُستخدم هذه الأدوات أيضًا للتنبؤ بقرارات أصحاب المنازل في السيناريوهات العادية والطارئة. ^[3]^[4]

عناصر بناء شجرة القرار

عناصر شجرة القرار

عند رسم شجرة القرار من اليسار إلى اليمين، فإنها لا تحتوي إلا على عقد متفرعة (مسارات مقسمة) ولكنها لا تحتوي على عقد متجمعة (مسارات متقاربة). وبالتالي، عند استخدامها يدويًا، فإنها قد تنمو بشكل كبير، ومن ثم يصعب غالبًا رسمها بالكامل يدويًا. تقليديًا، تم إنشاء أشجار القرار يدويًا - كما يوضح المثال الجانبي - على الرغم من استخدام برامج متخصصة بشكل متزايد.

قواعد القرار

يمكن تحويل شجرة القرار إلى قواعد قرار ، ^[5] حيث تكون النتيجة هي محتويات العقدة الورقية، وتشكل الشروط على طول المسار رابطًا في شرط if. بشكل عام، تكون القواعد على الشكل التالي:

إذا كان الشرط 1 والشرط 2 والشرط 3، فإن النتيجة هي:

يمكن إنشاء قواعد القرار من خلال إنشاء قواعد الارتباط بالمتغير المستهدف على اليمين. ويمكنها أيضًا الإشارة إلى العلاقات الزمنية أو السببية. ^[6]

شجرة القرار باستخدام رموز مخطط الانسياب

عادةً ما يتم رسم شجرة القرار باستخدام رموز مخطط انسيابي حيث يسهل على العديد من الأشخاص قراءتها وفهمها. لاحظ أن هناك خطأ مفاهيميًا في حساب "المتابعة" للشجرة الموضحة أدناه؛ يتعلق الخطأ بحساب "التكاليف" الممنوحة في دعوى قضائية.

مثال التحليل

يمكن للتحليل أن يأخذ في الاعتبار تفضيلات صانع القرار (على سبيل المثال، الشركة) أو وظيفة المنفعة ، على سبيل المثال:

التفسير الأساسي في هذا الموقف هو أن الشركة تفضل مخاطر وعوائد B بموجب معاملات تفضيل المخاطر الواقعية (أكبر من 400 ألف دولار - في هذا النطاق من النفور من المخاطرة، ستحتاج الشركة إلى وضع نموذج لاستراتيجية ثالثة، "لا A ولا B").

هناك مثال آخر، يستخدم عادة في دورات بحوث العمليات ، وهو توزيع رجال الإنقاذ على الشواطئ (المعروف أيضًا باسم مثال "الحياة على الشاطئ"). ^[7] يصف المثال شاطئين مع رجال إنقاذ يتم توزيعهم على كل شاطئ. هناك ميزانية قصوى ( ب) يمكن توزيعها بين الشاطئين (إجماليًا)، وباستخدام جدول العائدات الهامشية، يمكن للمحللين تحديد عدد رجال الإنقاذ الذين سيتم تخصيصهم لكل شاطئ.


منقذون على كل شاطئ	تم منع حوادث الغرق بشكل إجمالي، الشاطئ رقم 1	تم منع حوادث الغرق بشكل إجمالي على الشاطئ رقم 2
1	3	1
2	0	4

في هذا المثال، يمكن رسم شجرة قرار لتوضيح مبادئ العوائد المتناقصة على الشاطئ رقم 1.

يوضح مخطط القرار أنه عند توزيع رجال الإنقاذ بشكل متسلسل، فإن وضع رجل إنقاذ أول على الشاطئ رقم 1 سيكون مثاليًا إذا كانت الميزانية مخصصة لرجل إنقاذ واحد فقط. ولكن إذا كانت الميزانية مخصصة لرجلي إنقاذ، فإن وضع كليهما على الشاطئ رقم 2 من شأنه أن يمنع المزيد من حالات الغرق بشكل عام.

مخطط التأثير

يمكن تمثيل الكثير من المعلومات الموجودة في شجرة القرار بشكل أكثر إحكاما في صورة مخطط تأثير ، مما يركز الانتباه على القضايا والعلاقات بين الأحداث.

يمثل المستطيل الموجود على اليسار القرار، وتمثل الأشكال البيضاوية الإجراءات، ويمثل الماس النتائج.

استنباط قواعد الارتباط

يمكن أيضًا اعتبار أشجار القرار نماذج توليدية لقواعد الاستدلال من البيانات التجريبية. يتم تعريف شجرة القرار المثلى على أنها شجرة تمثل معظم البيانات، مع تقليل عدد المستويات (أو "الأسئلة"). ^[8] تم ابتكار العديد من الخوارزميات لتوليد مثل هذه الأشجار المثلى، مثل ID3 /4/5، ^[9] CLS، ASSISTANT، وCART.

المميزات والعيوب

من بين أدوات دعم القرار، تتمتع أشجار القرار ( ومخططات التأثير ) بالعديد من المزايا. أشجار القرار:

من السهل فهمها وتفسيرها. يتمكن الأشخاص من فهم نماذج شجرة القرار بعد شرح موجز.
إن البيانات الملموسة لا قيمة لها حتى مع قلة البيانات. فمن الممكن توليد رؤى مهمة استناداً إلى وصف الخبراء لموقف ما (البدائل، والاحتمالات، والتكاليف) وتفضيلاتهم للنتائج.
المساعدة في تحديد أسوأ وأفضل القيم المتوقعة لمختلف السيناريوهات.
استخدم نموذج المربع الأبيض . إذا تم توفير نتيجة معينة بواسطة نموذج.
يمكن دمجها مع تقنيات اتخاذ القرار الأخرى.
يمكن اعتبار تصرف أكثر من صانع قرار.

عيوب أشجار القرار:

إنها غير مستقرة، مما يعني أن التغيير الصغير في البيانات يمكن أن يؤدي إلى تغيير كبير في بنية شجرة القرار المثلى.
غالبًا ما تكون غير دقيقة نسبيًا. تعمل العديد من المتنبئات الأخرى بشكل أفضل مع بيانات مماثلة. يمكن علاج ذلك عن طريق استبدال شجرة قرار واحدة بغابة عشوائية من أشجار القرار، لكن الغابة العشوائية ليست سهلة التفسير مثل شجرة قرار واحدة.
بالنسبة للبيانات التي تتضمن متغيرات فئوية بأعداد مختلفة من المستويات، فإن اكتساب المعلومات في أشجار القرار منحاز لصالح تلك السمات ذات المستويات الأكثر. ^[10]
يمكن أن تصبح الحسابات معقدة للغاية، خاصة إذا كانت العديد من القيم غير مؤكدة و/أو إذا كانت العديد من النتائج مرتبطة.

تحسين شجرة القرار

هناك بعض الأمور التي ينبغي مراعاتها عند تحسين دقة مصنف شجرة القرار. وفيما يلي بعض التحسينات الممكنة التي ينبغي مراعاتها عند التأكد من أن نموذج شجرة القرار الناتج يتخذ القرار الصحيح أو التصنيف الصحيح. ولاحظ أن هذه الأمور ليست الأشياء الوحيدة التي ينبغي مراعاتها ولكنها بعضها فقط.

زيادة عدد مستويات الشجرة

يمكن أن تتغير دقة شجرة القرار بناءً على عمق شجرة القرار. في كثير من الحالات، تكون أوراق الشجرة عبارة عن عقد نقية . ^[11] عندما تكون العقدة نقية، فهذا يعني أن جميع البيانات في تلك العقدة تنتمي إلى فئة واحدة. ^[12] على سبيل المثال، إذا كانت الفئات في مجموعة البيانات هي السرطان وغير السرطان، فسيتم اعتبار العقدة الورقية نقية عندما تكون جميع بيانات العينة في العقدة الورقية جزءًا من فئة واحدة فقط، إما سرطانية أو غير سرطانية. من المهم ملاحظة أن الشجرة الأعمق ليست دائمًا أفضل عند تحسين شجرة القرار. يمكن أن تؤثر الشجرة الأعمق على وقت التشغيل بطريقة سلبية. إذا تم استخدام خوارزمية تصنيف معينة، فقد تعني الشجرة الأعمق أن وقت تشغيل خوارزمية التصنيف هذه أبطأ بشكل ملحوظ. هناك أيضًا احتمال أن تصبح الخوارزمية الفعلية التي تبني شجرة القرار أبطأ بشكل ملحوظ مع تعمق الشجرة. إذا كانت خوارزمية بناء الشجرة المستخدمة تقسم العقد النقية، فقد يحدث انخفاض في الدقة الإجمالية لتصنيف الشجرة. في بعض الأحيان، قد يؤدي التعمق أكثر في الشجرة إلى انخفاض الدقة بشكل عام، لذا من المهم جدًا اختبار تعديل عمق شجرة القرار واختيار العمق الذي ينتج أفضل النتائج. للتلخيص، لاحظ النقاط أدناه، سنحدد الرقم D باعتباره عمق الشجرة.

الفوائد المحتملة لزيادة عدد D:

تزداد دقة نموذج تصنيف شجرة القرار.

العيوب المحتملة لزيادة فيتامين د

مشاكل وقت التشغيل
انخفاض الدقة بشكل عام
يمكن أن تؤدي انقسامات العقدة النقية أثناء الذهاب إلى عمق أكبر إلى حدوث مشكلات.

إن القدرة على اختبار الاختلافات في نتائج التصنيف عند تغيير D أمر ضروري. يجب أن نكون قادرين على تغيير واختبار المتغيرات التي قد تؤثر على دقة وموثوقية نموذج شجرة القرار بسهولة.

اختيار وظائف تقسيم العقدة

يمكن أن يكون لوظيفة تقسيم العقد المستخدمة تأثير على تحسين دقة شجرة القرار. على سبيل المثال، قد يؤدي استخدام وظيفة اكتساب المعلومات إلى نتائج أفضل من استخدام وظيفة فاي. تُعرف وظيفة فاي بأنها مقياس "جودة" الانقسام المرشح في عقدة في شجرة القرار. تُعرف وظيفة اكتساب المعلومات بأنها مقياس "الانخفاض في الإنتروبيا ". فيما يلي، سنبني شجرتي قرار. سيتم بناء شجرة قرار واحدة باستخدام وظيفة فاي لتقسيم العقد وسيتم بناء شجرة قرار واحدة باستخدام وظيفة اكتساب المعلومات لتقسيم العقد.

المزايا والعيوب الرئيسية لكسب المعلومات ووظيفة فاي

أحد العيوب الرئيسية لكسب المعلومات هو أن الميزة التي يتم اختيارها كعقدة تالية في الشجرة تميل إلى أن يكون لها قيم فريدة أكثر. ^[13]
من مزايا اكتساب المعلومات أنها تميل إلى اختيار السمات الأكثر تأثيرًا والتي تقع بالقرب من جذر الشجرة. إنها مقياس جيد جدًا لتحديد مدى أهمية بعض السمات.
تُعد دالة phi أيضًا مقياسًا جيدًا لتحديد مدى أهمية بعض الميزات استنادًا إلى "الجودة".

هذه هي صيغة دالة اكتساب المعلومات. تنص الصيغة على أن اكتساب المعلومات هو دالة على إنتروبيا عقدة من شجرة القرار مطروحًا منها إنتروبيا الانقسام المرشح عند العقدة t من شجرة القرار.

$I_{\textrm {gain}}(s)=H(t)-H(s,t)$

هذه هي صيغة دالة فاي. يتم تعظيم دالة فاي عندما تقوم الميزة المختارة بتقسيم العينات بطريقة تنتج تقسيمات متجانسة ويكون عدد العينات في كل تقسيم متماثلًا تقريبًا.

$\Phi (s,t)=(2*P_{L}*P_{R})*Q(s|t)$

سنضبط D، وهو عمق شجرة القرار التي نبنيها، على ثلاثة (D = 3). لدينا أيضًا مجموعة البيانات التالية للعينات السرطانية وغير السرطانية وخصائص الطفرة التي تحتوي عليها العينات أو لا تحتوي عليها. إذا كانت العينة تحتوي على طفرة مميزة، فإن العينة تكون إيجابية لهذه الطفرة، وسيتم تمثيلها بالرقم واحد. إذا لم تكن العينة تحتوي على طفرة مميزة، فإن العينة تكون سلبية لهذه الطفرة، وسيتم تمثيلها بالرقم صفر.

باختصار، يشير الحرف C إلى السرطان ويشير الحرف NC إلى عدم السرطان. ويشير الحرف M إلى الطفرة ، وإذا كانت العينة بها طفرة معينة، فسوف تظهر في الجدول على أنها واحد وإلا فستظهر على أنها صفر.

بيانات العينة
	م1	م2	م3	م4	م5
ج1	0	1	0	1	1
NC1	0	0	0	0	0
NC2	0	0	1	1	0
إن سي 3	0	0	0	0	0
سي 2	1	1	1	1	1
إن سي 4	0	0	0	1	0

الآن، يمكننا استخدام الصيغ لحساب قيم دالة فاي وقيم اكتساب المعلومات لكل M في مجموعة البيانات. بمجرد حساب جميع القيم، يمكن إنتاج الشجرة. أول شيء يجب القيام به هو تحديد العقدة الجذرية. في اكتساب المعلومات ودالة فاي، نعتبر أن التقسيم الأمثل هو الطفرة التي تنتج أعلى قيمة لكسب المعلومات أو دالة فاي. افترض الآن أن M1 لها أعلى قيمة لدالة فاي وأن M4 لها أعلى قيمة لكسب المعلومات. ستكون الطفرة M1 هي جذر شجرة دالة فاي الخاصة بنا وستكون M4 هي جذر شجرة اكتساب المعلومات الخاصة بنا. يمكنك ملاحظة العقد الجذرية أدناه

الشكل 1: العقدة اليسرى هي العقدة الجذرية للشجرة التي نبنيها باستخدام دالة phi لتقسيم العقد. العقدة اليمنى هي العقدة الجذرية للشجرة التي نبنيها باستخدام ميزة الحصول على المعلومات لتقسيم العقد.

الآن، بمجرد اختيار العقدة الجذرية، يمكننا تقسيم العينات إلى مجموعتين بناءً على ما إذا كانت العينة موجبة أو سالبة لطفرة العقدة الجذرية. سيتم تسمية المجموعتين بالمجموعة A والمجموعة B. على سبيل المثال، إذا استخدمنا M1 لتقسيم العينات في العقدة الجذرية، نحصل على عينات NC2 وC2 في المجموعة A وبقية العينات NC4 وNC3 وNC1 وC1 في المجموعة B.

بغض النظر عن الطفرة المختارة للعقدة الجذرية، انتقل إلى وضع أفضل الميزات التالية التي لها أعلى قيم لكسب المعلومات أو دالة phi في العقد الفرعية اليسرى أو اليمنى لشجرة القرار. بمجرد اختيار العقدة الجذرية والعقدتين الفرعيتين لشجرة العمق = 3، يمكننا فقط إضافة الأوراق. ستمثل الأوراق قرار التصنيف النهائي الذي أنتجه النموذج بناءً على الطفرات التي تحتوي عليها العينة أو لا تحتوي عليها. الشجرة اليسرى هي شجرة القرار التي نحصل عليها من استخدام كسب المعلومات لتقسيم العقد والشجرة اليمنى هي ما نحصل عليه من استخدام دالة phi لتقسيم العقد.

افترض الآن أن نتائج التصنيف من كلتا الشجرتين تم إعطاؤها باستخدام مصفوفة الارتباك .

مصفوفة ارتباك اكتساب المعلومات:


	متوقع: ج	متوقع: NC
الفعلي: ج	1	1
الفعلي: NC	0	4

مصفوفة ارتباك دالة فاي:


	متوقع: ج	متوقع: NC
الفعلي: ج	2	0
الفعلي: NC	1	3

إن الشجرة التي تستخدم اكتساب المعلومات لها نفس النتائج عند استخدام دالة فاي عند حساب الدقة. عندما نقوم بتصنيف العينات بناءً على النموذج باستخدام اكتساب المعلومات نحصل على نتيجة إيجابية واحدة صحيحة، وأخرى إيجابية كاذبة، وصفر نتائج سلبية كاذبة، وأربع نتائج سلبية صحيحة. بالنسبة للنموذج الذي يستخدم دالة فاي نحصل على نتيجتين إيجابيتين صحيحتين، وصفر نتائج إيجابية كاذبة، وواحدة سلبية كاذبة، وثلاث نتائج سلبية صحيحة. والخطوة التالية هي تقييم فعالية شجرة القرار باستخدام بعض المقاييس الرئيسية التي سيتم مناقشتها في قسم تقييم شجرة القرار أدناه. يمكن أن تساعد المقاييس التي سيتم مناقشتها أدناه في تحديد الخطوات التالية التي يجب اتخاذها عند تحسين شجرة القرار.

تقنيات أخرى

لا تنتهي المعلومات المذكورة أعلاه عند بناء شجرة القرار وتحسينها. فهناك العديد من التقنيات لتحسين نماذج تصنيف شجرة القرار التي نبنيها. ومن بين هذه التقنيات إنشاء نموذج شجرة القرار من مجموعة بيانات تم إعادة تصميمها . وتساعد مجموعة البيانات التي تم إعادة تصميمها على إزالة التحيز الذي يحدث عند بناء نموذج شجرة القرار باستخدام نفس البيانات التي يتم اختبار النموذج بها. كما يمكن أن تساعد القدرة على الاستفادة من قوة الغابات العشوائية في تحسين الدقة الإجمالية للنموذج الذي يتم بناؤه بشكل كبير. وتولد هذه الطريقة العديد من القرارات من العديد من أشجار القرار وتحسب الأصوات من كل شجرة قرار لإجراء التصنيف النهائي. وهناك العديد من التقنيات، ولكن الهدف الرئيسي هو اختبار بناء نموذج شجرة القرار بطرق مختلفة للتأكد من أنه يصل إلى أعلى مستوى أداء ممكن.

تقييم شجرة القرار

من المهم معرفة القياسات المستخدمة لتقييم أشجار القرار. المقاييس الرئيسية المستخدمة هي الدقة والحساسية والنوعية والدقة ومعدل الخطأ ومعدل الاكتشاف الخاطئ ومعدل الإغفال الخاطئ . يتم استخلاص كل هذه القياسات من عدد الإيجابيات الحقيقية والإيجابيات الخاطئة والسلبيات الحقيقية والسلبيات الخاطئة التي تم الحصول عليها عند تشغيل مجموعة من العينات من خلال نموذج تصنيف شجرة القرار. أيضًا، يمكن عمل مصفوفة ارتباك لعرض هذه النتائج. تخبر كل هذه المقاييس الرئيسية بشيء مختلف عن نقاط القوة والضعف في نموذج التصنيف المبني على شجرة القرار الخاصة بك. على سبيل المثال، قد تشير الحساسية المنخفضة مع النوعية العالية إلى أن نموذج التصنيف المبني من شجرة القرار لا يعمل بشكل جيد في تحديد عينات السرطان مقارنة بالعينات غير السرطانية.

دعونا نأخذ مصفوفة الارتباك أدناه. تُظهر لنا مصفوفة الارتباك أن مُصنِّف نموذج شجرة القرار الذي تم بناؤه أعطى 11 نتيجة إيجابية حقيقية، و1 نتيجة إيجابية كاذبة، و45 نتيجة سلبية كاذبة، و105 نتيجة سلبية حقيقية.


	متوقع: ج	متوقع: NC
الفعلي: ج	11	45
الفعلي: NC	1	105

سنقوم الآن بحساب قيم الدقة والحساسية والنوعية والدقة ومعدل الخطأ ومعدل الاكتشاف الخاطئ ومعدل الإغفال الخاطئ.

دقة:

$Accuracy=(TP+TN)/(TP+TN+FP+FN)$

$(11+105)\div 162=71.60\%$

الحساسية (TPR – معدل الإيجابية الحقيقية): ^[14]

$TPR=TP/(TP+FN)$

$(11)\div (11+45)=19.64\%$

الخصوصية (TNR – معدل السلبية الحقيقية):

$TNR=TN/(TN+FP)$

$105\div (105+1)=99.06\%$

الدقة (PPV – القيمة التنبؤية الإيجابية):

$PPV=TP/(TP+FP)$

$11/(11+1)=91.66\%$

معدل الأخطاء (FNR – معدل النتائج السلبية الكاذبة):

$FNR=FN/(FN+TP)$

$45\div (45+11)=80.35\%$

معدل الاكتشاف الكاذب (FDR):

$FDR=FP/(FP+TP)$

$1\div (1+11)=8.30\%$

معدل الإغفال الكاذب (FOR):

$FOR=FN/(FN+TN)$

$45\div (45+105)=30.00\%$

بمجرد أن نحسب المقاييس الرئيسية، يمكننا التوصل إلى بعض الاستنتاجات الأولية حول أداء نموذج شجرة القرار المبني. كانت الدقة التي حسبناها 71.60%. قيمة الدقة جيدة في البداية ولكننا نود أن نجعل نماذجنا دقيقة قدر الإمكان مع الحفاظ على الأداء العام. تعني قيمة الحساسية البالغة 19.64% أنه من بين كل من كان إيجابيًا بالفعل للسرطان، كانت نتيجة اختباره إيجابية. إذا نظرنا إلى قيمة الخصوصية البالغة 99.06%، فإننا نعلم أنه من بين جميع العينات التي كانت سلبية للسرطان، كانت نتيجة اختباره سلبية بالفعل. عندما يتعلق الأمر بالحساسية والخصوصية، من المهم أن يكون هناك توازن بين القيمتين، لذلك إذا تمكنا من تقليل خصوصيتنا لزيادة الحساسية، فسيثبت ذلك أنه مفيد. ^[15] هذه مجرد أمثلة قليلة حول كيفية استخدام هذه القيم والمعاني الكامنة وراءها لتقييم نموذج شجرة القرار وتحسين التكرار التالي.

انظر أيضا

شجرة السلوك (الذكاء الاصطناعي والروبوتات والتحكم) - نموذج رياضي لتنفيذ الخطة
التعزيز (التعلم الآلي) – طريقة في التعلم الآلي
دورة القرار – تسلسل الخطوات اللازمة لاتخاذ القرار
قائمة القرار
مصفوفة القرار
جدول القرار – جدول يحدد الإجراءات بناءً على الشروط
نموذج شجرة القرار – نموذج التعقيد الحسابي للعمليات الحسابية
الأساس المنطقي للتصميم – توثيق صريح للأسباب وراء القرارات المتخذة عند تصميم نظام أو قطعة أثرية
DRAKON – أداة رسم الخرائط الخوارزمية
سلسلة ماركوف – عملية عشوائية مستقلة عن التاريخ الماضي
الغابة العشوائية – طريقة التعلم الآلي القائمة على الأشجار
نهج الأولوية الترتيبية – أسلوب تحليل القرار متعدد المعايير
خوارزمية الاحتمالات – طريقة حساب الاستراتيجيات المثلى لمشاكل النجاح الأخير
التركيبات الطوبولوجية
جدول الحقيقة – جدول رياضي يستخدم في المنطق

مراجع

^ فون وينترفيلدت، ديتلوف؛ إدواردز، وارد (1986). "أشجار القرار". تحليل القرار والبحث السلوكي . مطبعة جامعة كامبريدج. ص 63-89. رقم ISBN 0-521-27304-8.
^ Kamiński, B.; Jakubczyk, M.; Szufel, P. (2017). "إطار عمل لتحليل حساسية أشجار القرار". مجلة أبحاث العمليات في أوروبا الوسطى . 26 (1): 135–159. doi :10.1007/s10100-017-0479-6. PMC 5767274. PMID 29375266 .
^ Xu, Ningzhe; Lovreglio, Ruggiero; Kuligowski, Erica D.; Cova, Thomas J.; Nilsson, Daniel; Zhao, Xilei (1 مارس 2023). "التنبؤ باتخاذ قرارات إخلاء الحرائق وتقييمها باستخدام التعلم الآلي: النتائج من حريق كينكيد 2019". تكنولوجيا الحرائق . 59 (2): 793-825. doi :10.1007/s10694-023-01363-1. ISSN 1572-8099.
^ دياز-راميريز، جيني؛ استرادا-غارسيا، خوان ألبرتو؛ فيغيروا-ساياغو، جوليانا (1 ديسمبر 2023). "التنبؤ بتفضيلات اختيار وسيلة النقل في منطقة جامعية باستخدام نماذج تعتمد على شجرة القرار". تفاعلات المدينة والبيئة . 20 : 100118. doi : 10.1016/j.cacint.2023.100118 . ISSN 2590-2520.
^ Quinlan, JR (1987). "تبسيط أشجار القرار". المجلة الدولية لدراسات الإنسان والآلة . 27 (3): 221–234. CiteSeerX 10.1.1.18.4267 . doi :10.1016/S0020-7373(87)80053-6.
^ K. Karimi و HJ Hamilton (2011)، "إنشاء وتفسير قواعد القرار الزمني"، المجلة الدولية لأنظمة المعلومات الحاسوبية وتطبيقات الإدارة الصناعية، المجلد 3
^ Wagner, Harvey M. (1 September 1975). Principles of Operations Research: With Applications to Managerial Decisions (2nd ed.). Englewood Cliffs, NJ: Prentice Hall. ISBN 9780137095926.
^ R. Quinlan, "Learning efficient classification procedures", Machine Learning: an artificial intelligence approach , Michalski, Carbonell & Mitchell (eds.), Morgan Kaufmann, 1983, p. 463–482. doi :10.1007/978-3-662-12405-5_15
^ Utgoff, PE (1989). Incremental induction of decision trees. Machine learning, 4(2), 161–186. doi :10.1023/A:1022699900025
^ Deng, H.; Runger, G.; Tuv, E. (2011). تحيز مقاييس الأهمية للسمات والحلول متعددة القيم. وقائع المؤتمر الدولي الحادي والعشرين للشبكات العصبية الاصطناعية (ICANN).
^ لاروز، شانتال، دانييل (2014). اكتشاف المعرفة في البيانات . هوبوكين، نيوجيرسي: جون وايلي وأولاده. ص. 167. ISBN 9780470908747.{{cite book}}: CS1 maint: multiple names: authors list (link)
^ Plapinger, Thomas (29 July 2017). "ما هي شجرة القرار؟". نحو علم البيانات . مؤرشف من الأصل في 10 ديسمبر 2021. تم الاسترجاع 5 ديسمبر 2021 .
^ تاو، كريستوفر (6 سبتمبر 2020). "لا تستخدم شجرة القرار على هذا النحو". نحو علم البيانات . مؤرشف من الأصل في 10 ديسمبر 2021. استرجاع 10 ديسمبر 2021 .
^ "معدل النتائج الإيجابية الكاذبة | المصطلحات المنقسمة" . تم الاسترجاع في 10 ديسمبر 2021 .
^ "الحساسية مقابل الخصوصية". التحليل والفصل من Technology Networks . تم الاسترجاع في 10 ديسمبر 2021 .

روابط خارجية

دروس وأمثلة شاملة حول شجرة القرار
معرض لأشجار القرار النموذجية
أشجار القرار المعززة بالتدرج

Original text

Rate this translation

Your feedback will be used to help improve Google Translate

[1] فون وينترفيلدت، ديتلوف؛ إدواردز، وارد (1986). "أشجار القرار". تحليل القرار والبحث السلوكي . مطبعة جامعة كامبريدج. ص 63-89. رقم ISBN 0-521-27304-8.

[2] Kamiński, B.; Jakubczyk, M.; Szufel, P. (2017). "إطار عمل لتحليل حساسية أشجار القرار". مجلة أبحاث العمليات في أوروبا الوسطى . 26 (1): 135–159. doi :10.1007/s10100-017-0479-6. PMC 5767274. PMID 29375266 .

[3] Xu, Ningzhe; Lovreglio, Ruggiero; Kuligowski, Erica D.; Cova, Thomas J.; Nilsson, Daniel; Zhao, Xilei (1 مارس 2023). "التنبؤ باتخاذ قرارات إخلاء الحرائق وتقييمها باستخدام التعلم الآلي: النتائج من حريق كينكيد 2019". تكنولوجيا الحرائق . 59 (2): 793-825. doi :10.1007/s10694-023-01363-1. ISSN 1572-8099.

[4] دياز-راميريز، جيني؛ استرادا-غارسيا، خوان ألبرتو؛ فيغيروا-ساياغو، جوليانا (1 ديسمبر 2023). "التنبؤ بتفضيلات اختيار وسيلة النقل في منطقة جامعية باستخدام نماذج تعتمد على شجرة القرار". تفاعلات المدينة والبيئة . 20 : 100118. doi : 10.1016/j.cacint.2023.100118 . ISSN 2590-2520.

[5] Quinlan, JR (1987). "تبسيط أشجار القرار". المجلة الدولية لدراسات الإنسان والآلة . 27 (3): 221–234. CiteSeerX 10.1.1.18.4267 . doi :10.1016/S0020-7373(87)80053-6.

[6] K. Karimi و HJ Hamilton (2011)، "إنشاء وتفسير قواعد القرار الزمني"، المجلة الدولية لأنظمة المعلومات الحاسوبية وتطبيقات الإدارة الصناعية، المجلد 3

[7] Wagner, Harvey M. (1 September 1975). Principles of Operations Research: With Applications to Managerial Decisions (2nd ed.). Englewood Cliffs, NJ: Prentice Hall. ISBN 9780137095926.

[8] R. Quinlan, "Learning efficient classification procedures", Machine Learning: an artificial intelligence approach , Michalski, Carbonell & Mitchell (eds.), Morgan Kaufmann, 1983, p. 463–482. doi :10.1007/978-3-662-12405-5_15

[9] Utgoff, PE (1989). Incremental induction of decision trees. Machine learning, 4(2), 161–186. doi :10.1023/A:1022699900025

[10] Deng, H.; Runger, G.; Tuv, E. (2011). تحيز مقاييس الأهمية للسمات والحلول متعددة القيم. وقائع المؤتمر الدولي الحادي والعشرين للشبكات العصبية الاصطناعية (ICANN).

[11] لاروز، شانتال، دانييل (2014). اكتشاف المعرفة في البيانات . هوبوكين، نيوجيرسي: جون وايلي وأولاده. ص. 167. ISBN 9780470908747.{{cite book}}: CS1 maint: multiple names: authors list (link)

[12] Plapinger, Thomas (29 July 2017). "ما هي شجرة القرار؟". نحو علم البيانات . مؤرشف من الأصل في 10 ديسمبر 2021. تم الاسترجاع 5 ديسمبر 2021 .

[13] تاو، كريستوفر (6 سبتمبر 2020). "لا تستخدم شجرة القرار على هذا النحو". نحو علم البيانات . مؤرشف من الأصل في 10 ديسمبر 2021. استرجاع 10 ديسمبر 2021 .

[14] "معدل النتائج الإيجابية الكاذبة | المصطلحات المنقسمة" . تم الاسترجاع في 10 ديسمبر 2021 .

[15] "الحساسية مقابل الخصوصية". التحليل والفصل من Technology Networks . تم الاسترجاع في 10 ديسمبر 2021 .

اللغة	العربية (RTL)
روابط موسوعية	30 رابطاً
المصدر الأصلي	ويكيبيديا ↗