第6章多元统计分析教案

第6章多元统计分析

教案

课程名称：大数据数学基础（Pylhon语言描述）

课程类别：必修

适用专业：大数据技术类相关专业

总学时：80学时（其中理论58学时，实验22学时）

总学分：5.0学分

本章学时：24学时

一、材料清单

（1）《大数据数学基础（Python语言描述）》教材。

（2）配套PPT。

（3）引导性提问。

（4）探究性问题。

（5）拓展性问题。

二、教学目标与基本要求

1.教学目标

通过本章的学习，主要掌握多元统计分析的应用。主要了解多元分析方法中的回归分析、

聚类分析、判别分析、主成分分析、因子分析和典型相关分析，并通过例子了解这些分析方

法在大数据方面的应用，以及在Python语言中实现的方法。

2.基本要求

（1）掌握多种回归分析方法。

（2）掌握多种判别分析方法。

（3）掌握聚类分析方法。

（4）掌握主成分分析方法。

（5）掌握多种因子分析方法。

（6）掌握典型相关分析方法。

三、问题

1.引导性提问

引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问

题，提问，从而达到理解•、掌握知识，发展各种能力和提高思想觉悟的目的。

（1）多元统计分析的知识主要有哪些？

（2）多元统计分析与大数据有哪些联系？

2.探究性问题

探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的

基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课

文中又是重要的问题加以设问。

（1）系统聚类和动态聚类相比，哪种聚类效果更好？

（2）距离判别、贝叶斯判别、费希尔判别法的区别是什么？

（3）主成分分析与因子分析有什么联系？

3.拓展性问题

拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提

出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问

题。

（1）除本章的知识点外，回归分析在大数据方面的具体应用有哪些？

（2）除本章的知识点外，聚类分析在大数据方面的具体应用有哪些？

（3）除本章的知识点外，判别分析在大数据方面的具体应用有哪些？

（4）除本章的知识点外，主成分分析在大数据方面的具体应用有哪些？

（5）除本章的知以点外，因子分析在大数据方面的具体应用有哪些？

（6）除本章的知识点外，典型相关分析在大数据方面的具体应用有哪些?

四、主要知识点、重点与难点

1.主要知识点

（1）一元线性回归、多元线性回归、Logistic回归的方法和应用。

（2）距离判别、贝叶斯判别、费希尔判别法的应用。

（3）距离和相似系数的概念。

（4）系统聚类、动杰聚类分析方法和应用。

（5）总体主成分、样本主成分的分析方法和应用.

（6）参数估计的方法和应用。

（7）因子旋转方法和应用。

（8）因子得分方法和应用。

（9）总体曲型相关、样本典型相关分析,以及显著性检验.

2.重点

（1）一元线性回归、多元线性回归、Logistic回归的方法。

（2）距离判别、贝叶斯判别、费希尔判别法。

（3）系统聚类、动态聚类分析方法。

（4）总体主成分、样本主成分的分析方法。

（5）参数估计、因子旋转、因子得分的方法。

（6）总体典型相关、样本典型相关分析的方法。

3.难点

（1）总体主成分、样本主成分的分析方法。

（2）参数估计、因子旋转、因子得分的方法。

（3）总体典型相关、样本典型相关分析的方法。

五、教学过程设计

1.理论教学过程

（1）掌握一元线性H1归、多元线性回归、Logistic回归。

（2）掌握距离判别、贝叶斯判别、费希尔判别法的应用。了解距离和相似系数。

（3）掌握系统聚类、动态聚类分析方法。

（4）

（5）掌握总体主成分、样本主成分的分析方法。

（6）掌握参数估计的方法。

（7）掌握因子旋转方法。

（8）掌握因子得分方法。

（9）掌握总体典型相关、样本典型相关分析，以及显著性检验。

2.实验教学过程

（1）使用一元线性回归、多元线性回归、Logistic回归对数据进行操作。

（2）使用掌握距离判别、贝叶斯判别、费希尔判别法对•数据进行分类。

（3）掌握系统聚类的方法。

（4）掌握动态聚类的方法。

（5）掌握参数估计、因子旋转、因子得分的方法的应用。

（6）掌握样本典型相关分析和显著性检验。

六、教材与参考资料

1.教材

雷俊丽，张良均.大数据数学基础（Pylhon语言描述）[M].北京：人民邮电出版社.2019.

L