निर्णय सूची

एक डिसीजन लिस्ट एक मशीन-लर्निंग मॉडल है जो किसी वर्गीकरण या भविष्यवाणी कार्य को if-then नियमों के क्रमबद्ध अनुक्रम के रूप में प्रस्तुत करती है। प्रत्येक नियम में एक शर्त (एक या अधिक इनपुट विशेषताओं पर परीक्षण) और एक परिणाम (एक वर्ग लेबल या अनुमानित मान) शामिल होता है। जब एक नया उदाहरण प्रस्तुत किया जाता है, तो मॉडल सूची में दिखने वाले क्रम में नियमों का मूल्यांकन करता है, और पहले नियम का परिणाम जिसकी शर्त संतुष्ट होती है, भविष्यवाणी के रूप में लौटाया जाता है। यदि कोई नियम मेल नहीं खाता है, तो एक डिफ़ॉल्ट परिणाम, आमतौर पर प्रशिक्षण डेटा में सबसे सामान्य वर्ग, का उपयोग किया जाता है। यह संरचना डिसीजन लिस्ट को स्वाभाविक रूप से व्याख्या योग्य बनाती है, क्योंकि पूरी निर्णय प्रक्रिया को निर्देशों के एक सरल रैखिक सेट के रूप में पढ़ा जा सकता है।

डिसीजन लिस्ट नियम-आधारित शिक्षण का एक रूप हैं, जो डिसीजन ट्री से अलग हैं, जो एक पदानुक्रमित शाखा संरचना का उपयोग करते हैं। डिसीजन लिस्ट की अनुक्रमिक प्रकृति का अर्थ है कि पहले के नियम बाद के नियमों पर प्राथमिकता लेते हैं, जिससे जटिल निर्णय सीमाओं का एक संक्षिप्त प्रतिनिधित्व संभव होता है। वे उन क्षेत्रों में विशेष रूप से उपयोगी हैं जहां व्याख्या योग्यता महत्वपूर्ण है, जैसे चिकित्सा निदान, क्रेडिट स्कोरिंग, या कानूनी तर्क, और उनका Machine learning और Artificial intelligence के संदर्भ में व्यापक रूप से अध्ययन किया गया है।

ऐतिहासिक उत्पत्ति

डिसीजन लिस्ट की अवधारणा को 1990 के दशक की शुरुआत में कंप्यूटर वैज्ञानिक रोनाल्ड रिवेस्ट द्वारा औपचारिक रूप दिया गया था, जिन्होंने इसे 1987 के एक पेपर "लर्निंग डिसीजन लिस्ट" में पेश किया था। रिवेस्ट, जो RSA क्रिप्टोसिस्टम पर अपने काम के लिए जाने जाते हैं, ने उदाहरणों से बूलियन फ़ंक्शन सीखने के तरीके के रूप में डिसीजन लिस्ट का प्रस्ताव रखा। उन्होंने दिखाया कि एक निश्चित आकार की डिसीजन लिस्ट PAC-लर्नेबल (संभवतः लगभग सही) हैं, जिसका अर्थ है कि उन्हें प्रशिक्षण उदाहरणों की उचित संख्या से कुशलतापूर्वक सीखा जा सकता है। इस सैद्धांतिक आधार ने डिसीजन लिस्ट को न्यूरल नेटवर्क जैसे अधिक जटिल मॉडलों के व्यावहारिक विकल्प के रूप में स्थापित किया, जो उस समय कम समझे जाते थे और प्रशिक्षित करने में कठिन थे।

रिवेस्ट का काम नियम प्रेरण में पहले के शोध पर आधारित था, जैसे Carnegie Mellon University शोधकर्ता ross quinlan द्वारा विकसित डिसीजन ट्री के लिए ID3 एल्गोरिदम (हालांकि प्रदान की गई स्लग सूची में नहीं, उनका प्रभाव उल्लेखनीय है)। डिसीजन लिस्ट को बाद में निरंतर विशेषताओं और बहु-वर्ग समस्याओं को संभालने के लिए विस्तारित किया गया, और वे आगमनात्मक तर्क प्रोग्रामिंग के क्षेत्र में एक प्रमुख तत्व बन गए।

एल्गोरिदमिक शिक्षण

डेटा से डिसीजन लिस्ट सीखने में आमतौर पर एक लालची दृष्टिकोण शामिल होता है। एल्गोरिदम एक खाली सूची से शुरू होता है और पुनरावृत्त रूप से सबसे अच्छा नियम चुनता है जो प्रशिक्षण उदाहरणों के एक उपसमूह को कवर करता है, उन उदाहरणों को हटाता है, और शेष डेटा पर प्रक्रिया दोहराता है। "सर्वोत्तम" नियम अक्सर सटीकता, सूचना लाभ, या कवरेज और परिशुद्धता के संयोजन जैसे मेट्रिक्स के आधार पर चुना जाता है। यह प्रक्रिया तब तक जारी रहती है जब तक सभी उदाहरण कवर नहीं हो जाते या एक रोक मानदंड पूरा नहीं होता, जैसे शेष उदाहरणों की न्यूनतम संख्या या अधिकतम सूची लंबाई।

इस एल्गोरिदम के वेरिएंट में एक साथ कई उम्मीदवार नियमों का पता लगाने के लिए बीम खोज का उपयोग, और ओवरफिटिंग से बचने के लिए प्रूनिंग तकनीकों का समावेश शामिल है। उदाहरण के लिए, 1980 के दशक के अंत में विकसित CN2 एल्गोरिदम, क्रमबद्ध नियमों को प्रेरित करने के लिए बीम खोज का उपयोग करता है, जो डिसीजन लिस्ट शिक्षण से निकटता से संबंधित है। हाल के दृष्टिकोणों ने Deep learning के साथ डिसीजन लिस्ट को एकीकृत किया है, जिसमें व्याख्या योग्यता में सुधार के लिए प्रशिक्षित Neural network मॉडल से नियम निकालने की प्रक्रिया, जिसे नियम निष्कर्षण कहा जाता है, शामिल है।

अनुप्रयोग और लाभ

डिसीजन लिस्ट का प्राथमिक लाभ उनकी पारदर्शिता है। Large language model या Transformer (architecture)-आधारित प्रणालियों के विपरीत, जो ब्लैक बॉक्स के रूप में काम करती हैं, एक डिसीजन लिस्ट का निरीक्षण और मनुष्यों द्वारा समझा जा सकता है, जिससे यह उच्च-दांव वाले निर्णयों के लिए उपयुक्त होती है। उदाहरण के लिए, स्वास्थ्य देखभाल में, एक डिसीजन लिस्ट नियमों को एन्कोड कर सकती है जैसे "यदि आयु > 60 और रक्तचाप > 140, तो उच्च जोखिम," जिसे चिकित्सक आसानी से सत्यापित कर सकते हैं। वित्त में, उनका उपयोग धोखाधड़ी का पता लगाने के लिए किया जाता है, जहां प्रत्येक नियम संदिग्ध व्यवहार के एक विशिष्ट पैटर्न से मेल खाता है।

डिसीजन लिस्ट को न्यूनतम कम्प्यूटेशनल संसाधनों की भी आवश्यकता होती है, क्योंकि वे संग्रहीत और निष्पादित करने में सरल हैं। यह उन्हें एम्बेडेड सिस्टम या वास्तविक समय के अनुप्रयोगों के लिए आकर्षक बनाता है जहां विलंबता महत्वपूर्ण है, जैसे Qualcomm-संचालित मोबाइल डिवाइस या Arm Holdings-आधारित माइक्रोकंट्रोलर। उनका उपयोग Chess computer प्रोग्राम में उद्घाटन या अंतिम खेल ह्यूरिस्टिक्स को एन्कोड करने के लिए, और TomTom नेविगेशन सिस्टम में यातायात वर्गीकरण के लिए किया गया है।

अन्य मॉडलों से संबंध

डिसीजन लिस्ट डिसीजन ट्री से निकटता से संबंधित हैं, लेकिन संरचना में भिन्न हैं। एक डिसीजन ट्री को प्रत्येक रूट-से-लीफ पथ को एक नियम के रूप में पार करके एक समकक्ष डिसीजन लिस्ट में परिवर्तित किया जा सकता है, हालांकि इसके परिणामस्वरूप लंबी सूची हो सकती है। इसके विपरीत, एक डिसीजन लिस्ट को एक पतित पेड़ के रूप में दर्शाया जा सकता है जहां प्रत्येक नोड में अधिकतम एक बच्चा होता है, लेकिन यह हमेशा कुशल नहीं होता है। Machine learning के व्यापक परिदृश्य में, डिसीजन लिस्ट को "व्हाइट-बॉक्स" मॉडल का एक रूप माना जाता है, जो Deep learning नेटवर्क जैसे "ब्लैक-बॉक्स" मॉडल के विपरीत है। उनका उपयोग अक्सर अधिक जटिल एल्गोरिदम के साथ तुलना के लिए एक आधार रेखा के रूप में किया जाता है, और वे बूस्टिंग जैसे एन्सेम्बल तरीकों में एक निर्माण खंड के रूप में काम करते हैं, जहां कई कमजोर डिसीजन लिस्ट संयुक्त होते हैं।

आधुनिक AI अनुसंधान में, डिसीजन लिस्ट ने व्याख्या योग्य AI (XAI) के संदर्भ में नया ध्यान आकर्षित किया है। MIT CSAIL और Stanford AI Lab जैसे संस्थानों के शोधकर्ताओं ने Neural network भविष्यवाणियों से डिसीजन लिस्ट उत्पन्न करने के तरीकों का पता लगाया है, जिसका उद्देश्य Generative AI प्रणालियों द्वारा किए गए निर्णयों के लिए मानव-समझने योग्य स्पष्टीकरण प्रदान करना है। यह हाइब्रिड दृष्टिकोण गहरे मॉडल की सटीकता का लाभ उठाता है जबकि नियम-आधारित प्रणालियों की व्याख्या योग्यता को बनाए रखता है।

सीमाएं और विस्तार

डिसीजन लिस्ट की एक प्रमुख सीमा उनकी अभिव्यक्ति क्षमता है। वे केवल अक्ष-संरेखित निर्णय सीमाओं का प्रतिनिधित्व कर सकते हैं (यानी, प्रत्येक नियम एक एकल विशेषता या सरल स्थितियों का संयोजन परीक्षण करता है), जो विशेषताओं के बीच जटिल अंतःक्रियाओं को पकड़ नहीं सकता है। यह जटिल पैटर्न वाले कार्यों पर Residual Network (ResNet) या U-Net जैसे गैर-रैखिक मॉडल की तुलना में कम सटीकता का कारण बन सकता है। इसके अतिरिक्त, लालची शिक्षण प्रक्रिया उप-इष्टतम सूचियां उत्पन्न कर सकती है, और नियमों का क्रम महत्वपूर्ण है, क्योंकि एक प्रारंभिक अत्यधिक व्यापक नियम अधिक विशिष्ट नियमों को छिपा सकता है।

इन मुद्दों को संबोधित करने के लिए विस्तार में फजी डिसीजन लिस्ट शामिल हैं, जो स्थितियों को सत्य की डिग्री रखने की अनुमति देते हैं, और संभाव्य डिसीजन लिस्ट, जो आत्मविश्वास स्कोर आउटपुट करते हैं। एक और विस्तार सुदृढीकरण शिक्षण में डिसीजन लिस्ट का उपयोग है, जहां वे नीतियों के रूप में कार्य करते हैं जो राज्यों को क्रियाओं से मैप करते हैं, जैसा कि कुछ Sanctuary AI रोबोटिक्स परियोजनाओं में देखा गया है। उनकी सादगी के बावजूद, डिसीजन लिस्ट AI टूलकिट में एक मूल्यवान उपकरण बनी हुई हैं, जो सटीकता और व्याख्या योग्यता को इस तरह संतुलित करती हैं जो कुछ अन्य मॉडल मेल खा सकते हैं।