【核心素养目标】粤教版信息技术九年级 第14课《机器学习算法初步(2) ——决策树》课件+教案+素材

(课件网) 《第十四课 机器学习算法初步(2) —决策树》 粤教版 信息技术 九年级 内容总览 目录 05 拓展延伸 07 板书设计 课堂总结 06 决策树学习的应用 04 决策树 03 教学目标 01 新知导入 02 教学目标 1、信息意识：能够理解决策树在数据分类和预测中的应用，能够识别在日常生活和工作中决策树所能发挥的作用。 2、计算思维：能够从数据中推导出基于特征的决策规则，提高逻辑思考和推断的能力。 3、数字化学习与创新：能够寻找并尝试将决策树方法应用到不同领域的新创意，如医疗保健、金融等，以拓展创新潜力。 4、信息社会责任：能够审视决策树在现实世界中的局限性和可能的社会影响，培养对算法应用的批判性思维。 新知导入 决策树导入视频 03、决策树 新知讲解 决策树(Decision Tree)是一种通过对历史数据进行测算，实现对新数据进行分类和预测的算法。每棵决策树都表述了一种树形结构，由它的分支来对该类型的对象依靠属性进行分类。 新知讲解 如图14-1所示，决策树主要由三个部分组成，分别为决策节点、分支和叶子节点。其中决策树最顶部的决策节点是根决策节点，每一个分支都有一个新的决策节点，决策节点下面是叶子节点。每个内部节点表示一个属性的测试，每个分支代表一个测试输出，每个叶子节点代表一种类别。整个决策的过程从根决策节点开始，由上到下，根据数据的分类在每个决策节点给出不同的结果。决策树仅有单一输出，若需要多个输出，可以建立独立的决策树以处理不同输出。 学习任务 如图14-2所示是预测贷款用户是否具有偿还贷款能力的决策树。贷款用户主要具备三个属性: 是否拥有房产，是否结婚和平均月收入。每一个内部节点都表示一个属性条件判断，最终节点表示贷款用户是否具有偿还能力。例如:用户甲没有房产，没有结婚，平均月收入5000元。通过决策树先判断是否拥有房产，用户甲符合右边分支(“是否拥有房产”为“否”);再判断是否结婚，用户甲符合左边分支(“是否结婚”为“否”):然后判断平均月收入是否大于4000元，用户甲符合左边分支(月收入大于4000元)，该用户落在“可以偿还”的叶子节点上。所以预测用户甲具备偿还贷款能力。 学习任务 根据决策树，完善表14-1，并做出预测。 用户 现状 预测结果 甲 没有房产，没有结婚，平均月收入5000元 具备偿还贷款能力 乙 没有房产，没有结婚，平均月收入3500元 不具备偿还贷款能力 丙 没有房产，已经结婚，平均月收入3500元 具备偿还贷款能力 丁 有房产，没有结婚，平均月收入5000元 具备偿还贷款能力 04、决策树学习的应用 新知讲解 在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。从数据产生决策树的机器学习技术叫作“决策树学习”。决策树学习包含特征选择、决策树的生成与剪枝过程。 决策树学习算法通常采用递归法选择最优特征，并用最优特征对数据集进行分割。决策树生成时，首先构建根节点，选择最优特征，该特征有几种不同取值就分割为几个子集，每个子集分别递归调用此方法，返回的就是上一层的子节点。直到所有特征都已经用完，或者数据集只有一维特征为止。 新知讲解 在决策树学习中，为了尽可能地正确分类训练样本，节点划分过程将不断重复，有时会造成决策树分支过多、导致过拟合，因此可以通过主动去掉一些分支来降低过拟合的风险。剪枝的基本策略包括预剪枝和后剪枝。 使用鸢尾花数据集，调用Scikit-learn内嵌的决策树分类器构造决策树: 新知讲解 调用Python数据可视化模块graphviz，导出上面构造的决策树，结果保存在文件iris.pdf中，构造的决策树如图14-3所示。 新知讲解 图14-3 基于鸢尾花数据集生成的决策树。 新知讲解 当我们遇到一株新的 ... ...