تعتبر أشجار القرار (Decision Trees) واحدة من أكثر الأدوات شيوعًا في مهام التنبؤ، بفضل قدرتها على تفسير النتائج بسهولة. ومع ذلك، يثير النموذج التقليدي للأشجار الثنائية (Binary Trees) بعض التحديات، خاصة تحت قيود معينة لعمق الشجرة. حيث أن كل عقدة داخلية تقوم باتخاذ قرار واحد فقط بناءً على عتبة محددة، مما قد لا يكون كافيًا لتحسين دقة التنبؤ في بعض الحالات.

في دراسة جديدة، تم اقتراح نموذج يسمى MBNDT (Multi-Branch Neural Decision Tree with Adaptive Pruning)، والذي يسعى إلى تحسين دقة التنبؤات مع الحفاظ على مسارات الجذر إلى الورقة قصيرة. يعتمد هذا النموذج على أشجار قرار متعددة الفروع، حيث يتم تدريب الشجرة بطريقة شاملة مع تقسيمات متعددة الاتجاهات.

من خلال هذا النموذج، تتعلم كل عقدة داخلية العتبات المرتبة التي تعتمد على ميزة محددة، بالإضافة إلى قناع فرعي يتكيف مع عدد الفروع الفعّالة. تتمثل فائدة MBNDT في تحسين الأداء بشكل ملحوظ، حيث حقق أداءً متقدمًا في 21 معيارًا من بيانات OpenML للتصنيف الثنائي.

لقد أظهر MBNDT أنه يتفوق على النماذج التقليدية الأخرى، حيث حقق أفضل تصنيفات دقيقة ومتوازنة. ومع ذلك، تأتي هذه الفوائد مع وجود مقايضات واضحة: إذ أن MBNDT يحقق عددًا أكبر من الأوراق مقارنة بالنماذج الأخرى، مما يجعله الأنسب عندما تكون الدقة عبر مسارات قرار قصيرة ومرتبطة بالأداء العام هي الأولوية.

إن هذا التوجه الجديد يعد بمثابة ثورة في كيفية فهم وتحليل بياناتنا، حيث يمهّد الطريق أمام أنظمة تعلم أكثر كفاءة ودقة في المستقبل.