خوارزمية الغابة العشوائية

تُعد الغابة العشوائية (Random Forest) من خوارزميات التعلم الخاضع للإشراف، وتستخدم بصورة أساسية في مهام التصنيف والانحدار والتنبؤ. وتقوم فكرتها على بناء مجموعة من أشجار القرار بدلًا من الاعتماد على شجرة واحدة، ثم الجمع بين نتائج هذه الأشجار للوصول إلى قرار نهائي أكثر استقرارًا ودقة. ولهذا سميت بالغابة العشوائية، لأن النموذج يتكون من عدد كبير من أشجار القرار التي تُبنى بصورة متنوعة اعتمادًا على عينات وخصائص مختارة عشوائيًا من البيانات.

تعمل الغابة العشوائية على معالجة إحدى المشكلات التي قد تظهر عند استخدام شجرة قرار واحدة، وهي ميل الشجرة إلى التكيف بصورة كبيرة مع بيانات التدريب، مما قد يؤدي إلى الإفراط في التعلم وانخفاض قدرتها على التعامل مع بيانات جديدة. ولذلك تعتمد الغابة العشوائية على إنشاء عدد من الأشجار المختلفة، بحيث لا تعتمد جميعها على البيانات والخصائص نفسها، ثم تجمع نتائجها. وفي حالة التصنيف، يتم عادةً اعتماد الفئة التي تحصل على أكبر عدد من أصوات الأشجار، بينما يمكن استخدام متوسط نتائج الأشجار في مهام الانحدار. ويمكن تصور آلية العمل بصورة مبسطة في مكتبة جامعية تريد تصنيف المستفيدين وفق أنماط استخدامهم للخدمات المعلوماتية. بدلًا من إنشاء شجرة واحدة تعتمد على جميع البيانات والخصائص، تنشئ الغابة عددًا كبيرًا من أشجار القرار، وقد تعتمد كل شجرة على عينة مختلفة من سجلات المستفيدين وعلى مجموعة مختلفة من الخصائص، مثل عدد مرات الدخول، وعدد عمليات البحث، واستخدام قواعد البيانات، وعدد مرات تحميل الوثائق، وعمليات الإعارة. ثم تجمع الأشجار نتائجها للوصول إلى التصنيف النهائي للمستفيد. ومن المهم هنا التمييز بين استخدام خوارزمية الغابة العشوائية وبين إعادة بنائها برمجيًا. فعندما يستخدم الباحث Random Forest في دراسة تطبيقية، فإنه لا يحتاج إلى إعادة كتابة آلية بناء الأشجار وتجميع نتائجها من الصفر، لأن الخوارزمية متاحة ضمن مكتبات التعلم الآلي في عدد من لغات البرمجة.

ففي Python، على سبيل المثال، تتوفر ضمن مكتبة scikit-learn  من خلال أدوات مثل RandomForestClassifier للتصنيف وRandomForestRegressor  للانحدار. ويستطيع الباحث استدعاء التنفيذ البرمجي الجاهز، ثم تجهيز البيانات وتحديد المتغير المستهدف والخصائص المستخدمة، وتدريب النموذج واختباره وتقييم أدائه. وتتمثل المهمة المنهجية للباحث في اختيار الغابة العشوائية عندما تكون مناسبة لطبيعة المشكلة والبيانات، وتجهيز البيانات، وتحديد الخصائص والمتغير المستهدف، واختيار الإعدادات المناسبة للنموذج، مثل عدد الأشجار، ثم تدريب النموذج واختباره باستخدام بيانات مناسبة، وتقييم النتائج باستخدام المقاييس الملائمة للمهمة البحثية. ولا يعني استخدام الخوارزمية أن الباحث مطالب بإعادة اشتقاق جميع التفاصيل الرياضية التي تقوم عليها عملية اختيار الانقسامات أو بناء الأشجار، وإنما ينبغي أن يكون قادرًا على فهم المبدأ العام للخوارزمية وتوثيق التنفيذ والإعدادات المستخدمة بصورة تسمح بفهم الدراسة وإعادة تطبيقها. وتختلف الغابة العشوائية عن شجرة القرار في أن شجرة القرار تعتمد على نموذج شجري واحد، بينما تعتمد الغابة العشوائية على مجموعة من الأشجار. ويؤدي تنوع الأشجار إلى تقليل تأثير الأخطاء أو القرارات الخاصة بشجرة واحدة، ولذلك تكون الغابة العشوائية في كثير من التطبيقات أكثر استقرارًا من شجرة القرار المنفردة. كما أن الجمع بين نتائج الأشجار يجعل النموذج أقل اعتمادًا على مجموعة محددة من البيانات أو الخصائص. وتتميز الغابة العشوائية كذلك بإمكانية استخدامها مع عدد كبير من الخصائص، وقدرتها على التعامل مع العلاقات المعقدة بين المتغيرات، إضافة إلى قدرتها على تقديم مؤشرات تساعد الباحث في معرفة أهمية بعض الخصائص في عملية التنبؤ أو التصنيف، وفق التنفيذ المستخدم. وهذه الخاصية يمكن أن تكون مفيدة في دراسات علم المعلومات عندما يرغب الباحث في معرفة الخصائص الأكثر ارتباطًا بقرار معين.

فعلى سبيل المثال، إذا أراد الباحث التنبؤ باحتمال استخدام مستفيد لمصدر معلومات إلكتروني معين، فيمكن بناء نموذج غابة عشوائية اعتمادًا على خصائص مثل عدد الزيارات السابقة، وعدد عمليات البحث، ونوع المستفيد، والتخصص الأكاديمي، وعدد مرات استخدام قواعد البيانات، وسجل تحميل الوثائق. وبعد تدريب النموذج على بيانات الاستخدام السابقة، يمكن استخدامه للتنبؤ بسلوك حالات جديدة، ثم مقارنة النتائج الفعلية بالتنبؤات لتقييم أداء النموذج.  وتتمتع الغابة العشوائية بعدد من المزايا، من أهمها قدرتها على التعامل مع مشكلات التصنيف والانحدار، وتحقيق أداء جيد في العديد من أنواع البيانات، وتقليل خطر الإفراط في التعلم مقارنةً بشجرة قرار منفردة في كثير من الحالات، فضلًا عن قدرتها على التعامل مع عدد كبير من الخصائص وتقديم مؤشرات عن أهمية المتغيرات. كما أن تنفيذها البرمجي متاح ضمن مكتبات تعلم آلي واسعة الاستخدام، مما يجعل توظيفها في الدراسات التطبيقية أمرًا مباشرًا نسبيًا. ومع ذلك، فإن لها بعض القيود. فبناء عدد كبير من الأشجار قد يتطلب موارد حسابية ووقتًا أكبر من بناء شجرة قرار واحدة، كما أن تفسير النموذج يصبح أكثر صعوبة؛ لأن القرار النهائي لا يصدر عن مسار واحد يمكن تتبعه بسهولة، وإنما ينتج عن تجميع نتائج عدد كبير من الأشجار. ولذلك، وعلى الرغم من أن الغابة العشوائية تقدم عادةً قدرة تنبؤية جيدة، فإنها قد تكون أقل قابلية للتفسير من شجرة القرار المنفردة، وهو أمر ينبغي أن يأخذه الباحث في الاعتبار عندما تكون قابلية تفسير القرار هدفًا أساسيًا للدراسة. ومن هنا فإن استخدام الغابة العشوائية في البحث العلمي لا يعتمد على مجرد استدعاء الخوارزمية من مكتبة برمجية، وإنما على سلامة تصميم التطبيق بأكمله؛ بدءًا من تحديد المشكلة البحثية، وتجهيز البيانات، واختيار الخصائص المناسبة، وتحديد المتغير المستهدف، واختيار إعدادات النموذج، وتدريبه واختباره، ثم تقييم أدائه وتفسير نتائجه في ضوء طبيعة المجال العلمي. وبذلك يمكن النظر إلى الغابة العشوائية بوصفها خوارزمية تعلم خاضع للإشراف تعتمد على تجميع عدد من أشجار القرار للوصول إلى نموذج أكثر استقرارًا في التصنيف أو الانحدار، وليس بوصفها خوارزمية يتعين على الباحث إعادة برمجتها من الصفر. وتكمن القيمة العلمية في حسن اختيارها وتوظيفها، وجودة البيانات، وتحديد الخصائص المناسبة، وضبط النموذج وتقييمه، وفهم مدى ملاءمة نتائجه للمشكلة البحثية وتطبيقاتها في مؤسسات المعلومات.