شجرة القرار (Decision Tree) Decision Tree

الصياغة

if feature_3 <= 0.5:
    if feature_1 > 2.0:
        return class_A
    else:
        return class_B
else:
    return class_C

📄 مثال

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

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, stratify=y)

# max_depth يحدّ من فرط التعلّم
model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X_train, y_train)

print(f"عمق الشجرة: {model.get_depth()}")
print(f"عدد الأوراق: {model.get_n_leaves()}")
print(f"دقة الاختبار: {model.score(X_test, y_test):.3f}")

أهم النقاط

💡 نصائح عملية

• حدّد max_depth ابتداءً (مثل 3-10) — شجرة بعمق غير محدود ستُفرط في التعلّم حتمًا
• feature_importances_ يفيد اختيار الميزات (feature selection) — ميزات قريبة من الصفر يمكن إزالتها

⚠️ أخطاء شائعة

• ترك max_depth بلا حد في توقع أداء جيد على بيانات حقيقية — فرط التعلّم شبه مضمون
• تفسير الشجرة كقاعدة سببية — تعلّمت ارتباطات في بيانات التدريب، لا علاقات سببية

خصائص ذات صلة