2.3 使用决策树进行分类教学设计高中信息技术人教中图版2019选修4 人工智能初步-人教中图版2019

2.3使用决策树进行分类教学设计高中信息技术人教中图版2019选修4人工智能初步-人教中图版2019设计意图一、设计意图紧扣课本决策树分类核心内容，通过生活实例（如垃圾分类、疾病诊断）引入，帮助学生理解分类问题本质；引导学生经历“特征选择—节点划分—决策路径”的构建过程，掌握决策树的基本原理与应用方法；结合课本案例，培养学生逻辑推理与数据分析能力，体会人工智能解决实际问题的价值，符合高中生认知水平与学科核心素养要求。核心素养目标分析二、核心素养目标分析培养学生信息意识，感知分类问题中的信息价值，理解决策树工具的应用场景；发展计算思维，通过特征选择、节点划分等过程，掌握抽象建模与算法设计方法；提升数字化学习与创新，运用课本案例实践决策树构建，解决实际问题；树立信息社会责任，体会分类技术的应用价值与伦理影响，形成负责任态度。重点难点及解决办法三、重点难点及解决办法重点：决策树核心概念、构建步骤（特征选择—节点划分—决策路径）及分类原理，源于课本对决策树定义与流程的明确要求；难点：特征选择标准（如信息增益）的理解与应用逻辑，源于学生抽象思维不足。解决方法：通过课本“动物分类”案例简化特征选择，用流程图可视化构建过程；小组合作完成课本“疾病诊断”决策树实践，结合讨论突破难点，强化逻辑应用。教学资源准备1.教材：确保每位学生备有《人工智能初步》（人教中图版2019选修4）教材，重点研读2.3节内容。

2.辅助材料：准备决策树构建流程图、课本“动物分类”“疾病诊断”案例图片及决策树动态演示视频。

3.实验器材：配置计算机教室，安装Python（含Scikit-learn库）或Excel等决策树构建工具。

4.教室布置：设置分组讨论区，配备白板或互动屏，便于小组协作绘制决策树草图。教学实施过程1.课前自主探索

教师活动：发布预习资料（课本2.3节决策树定义、动物分类案例），设计问题“决策树如何实现分类？”“案例中如何选择第一个特征？”。监控学生提交的预习笔记（如对“信息增益”的疑问）。

学生活动：阅读教材，标记特征选择步骤，提交思维导图（梳理决策树基本结构）及疑问（如“信息增益如何计算？”）。

方法/资源：自主学习法+在线平台，共享预习资料。

作用：铺垫决策树构建步骤（重点），暴露特征选择难点。

2.课中强化技能

教师活动：用垃圾分类案例导入，讲解特征选择标准（结合课本“疾病诊断”案例，对比“体温”“咳嗽”的信息增益），组织小组合作绘制“动物分类”决策树，解答“如何确定最优特征”疑问。

学生活动：听讲思考特征选择逻辑，小组讨论特征依据，动手绘制决策树草图，提问“信息增益值越大是否一定最优？”。

方法/资源：讲授法+实践活动法+合作学习，用流程图可视化构建过程。

作用：突破特征选择难点，强化构建步骤重点。

3.课后拓展应用

教师活动：布置作业“设计‘学生成绩分类’决策树”，提供Scikit-learn工具教程，反馈作业时点评特征选择合理性。

学生活动：用工具实践，反思“我的特征选择是否优于课本案例？”。

方法/资源：自主学习法+反思总结法，延伸难点应用。

作用：巩固重点，深化难点理解。教师随笔Xx知识点梳理1.决策树的基本概念

决策树是一种监督学习算法，用于解决分类和回归问题，本节重点分类任务。其本质是从根节点到叶节点的路径对应一组分类规则，通过特征判断将样本划分到不同类别。教材定义：决策树是一个树形结构，包括根节点（代表全体样本）、内部节点（代表特征判断）、叶节点（代表类别标签）、分支（代表特征取值）和决策路径（样本从根到叶的判断路径）。例如，课本“动物分类”案例中，根节点为“是否有毛发”，分支为“是/否”，叶节点分别为“哺乳动物”“其他”。

2.决策树的构建原理

决策树构建的核心是“递归划分”，即选择最优特征将数据集划分为子集，使子集纯度（同类样本占比）最高。教材强调两个关键步骤：特征选择和节点划分停止条件。

（1）特征选择标准：信息增益。信息熵是衡量数据不确定性的指标，公式为H(D)=-Σpilog₂pi（pi为第i类样本比例）。信息增益=划分前熵-划分后加权熵，选择信息增益最大的特征作为划分依据。例如，课本“疾病诊断”案例中，计算“体温”“咳嗽”等特征的信息增益，选择“体温”作为根节点特征，因划分后熵减少最多。

（2）停止条件：节点样本属于同一类别、节点样本数小于阈值、树深度达到限制或信息增益小于阈值（教材明确为“无特征可划分”或“纯度足够”）。

3.决策树的构建步骤（教材流程）

（1）数据准备：收集标注数据，选择特征（离散或连续，教材案例均为离散特征，如“是否产卵”“血象”）。

（2）选择最优特征：计算各特征的信息增益，选最大者作为根节点。

（3）划分数据集：按特征取值划分子集，生成子节点。

（4）递归构建：对每个子节点重复步骤（2）（3），直到满足停止条件。

（5）剪枝处理：教材提到“防止过拟合”，包括预剪枝（划分前判断是否继续，如子集样本数<5停止）和后剪枝（生成树后剪减无效子树），但本节以预剪枝为主，案例中“动物分类”树深度不超过3层。

4.教材核心案例解析

（1）案例1：动物分类（课本P35-36）

-特征：是否有毛发、是否会飞、是否产卵（3个离散特征）。

-信息增益计算：以“是否有毛发”为例，划分前数据集D有10个样本（哺乳动物6、鸟类4），熵H(D)=-0.6log₂0.6-0.4log₂0.4≈0.971；划分后“有毛发”子集D1（6哺乳动物，熵0），“无毛发”子集D2（4鸟类，熵0），加权熵=0.6×0+0.4×0=0，信息增益=0.971-0=0.971，为最大值，故选为根节点。

-决策树结构：根节点“是否有毛发”，“是”分支直接到叶节点“哺乳动物”；“否”分支进入内部节点“是否会飞”，“是”到“鸟类”，“否”到“其他动物”（如鱼类）。

（2）案例2：疾病诊断（课本P37）

-特征：体温（正常/发烧）、咳嗽（是/否）、血象（正常/升高）。

-信息增益计算：数据集D有20个样本（流感8、普通感冒12），H(D)=-0.4log₂0.4-0.6log₂0.6≈0.971；“体温”划分：“发烧”子集D1（流感7、感冒1，熵=-0.875log₂0.875-0.125log₂0.125≈0.544），“正常”子集D2（流感1、感冒11，熵≈0.439），加权熵=0.4×0.544+0.6×0.439≈0.485，信息增益=0.971-0.485=0.486，最大，故为根节点。

-决策路径：“体温=发烧+咳嗽=是→流感”，“体温=发烧+咳嗽=否→普通感冒”，“体温=正常+血象=升高→流感”，“体温=正常+血象=正常→普通感冒”。

5.决策树的应用场景

教材强调决策树适用于“特征与类别关系明确、需可解释性强的分类任务”，具体场景包括：

（1）分类任务：垃圾邮件分类（特征：是否含“免费”、发件人地址等）、图像分类（特征：像素值、纹理等）。

（2）决策支持：医疗诊断（辅助医生判断疾病，如课本案例）、风险评估（贷款审批，特征：收入、征信等）。

（3）教育应用：学生学习情况分类（特征：作业完成率、考试成绩等，输出“优/良/中/差”）。

6.决策树的优缺点

（1）优点：教材明确“可解释性强”（规则直观易懂，如“体温=发烧→流感”）、无需特征缩放（离散/连续特征可直接使用）、能处理多分类问题（无需二分类扩展）、对缺失值有一定容忍度（可用多数类填充）。

（2）缺点：容易过拟合（教材指出“树过深会导致对噪声敏感”，如“动物分类”中若增加“体长”特征，可能将“体长<10cm”误判为独立类别）、对噪声敏感（异常样本可能影响节点划分）、偏向取值较多的特征（如“血象”有3个取值，信息增益可能被高估）。

7.决策树的评估指标

教材提到“分类效果需用指标量化”，本节核心指标为准确率（Accuracy）=（正确分类样本数/总样本数）×100%，如“疾病诊断”案例中，若测试集20个样本正确18个，准确率90%。补充指标：精确率（Precision，正例预测准确率）、召回率（Recall，正例覆盖比例），教材虽未展开公式，但案例中“流感”类的精确率=7/8=87.5%（预测流感8例，实际7例正确），召回率=7/8=87.5%（实际流感8例，预测正确7例）。

8.决策树在人工智能中的地位

教材指出“决策树是基础分类算法，属于监督学习，与聚类（无监督）、回归（预测连续值）并列”。其作为“白盒模型”（决策过程透明），区别于神经网络等“黑盒模型”，是可解释AI（XAI）的重要组成部分，也是集成学习（如随机森林、提升树）的基础，例如随机森林通过多棵决策树投票提升分类准确率，教材在拓展部分提及。

9.与其他算法的关联

教材对比决策树与K近邻（KNN）：决策树基于特征划分，KNN基于距离计算；决策树生成模型（直接学习规则），KNN实例学习（存储训练样本）。对比朴素贝叶斯：决策树无需特征独立假设，贝叶斯需特征独立；决策树树形结构，贝叶斯概率图模型。

10.实践操作要点

教材上机实践要求：使用Excel或Python（Scikit-learn库）构建决策树，关键步骤包括数据加载（如CSV文件）、特征选择（用sklearn.feature_selection）、模型训练（DecisionTreeClassifier参数：max_depth控制深度，criterion='entropy'指定信息增益）、可视化（export_graphviz）。例如，“动物分类”数据中，需将“是否有毛发”等文本特征转换为数值（如“是”=1，“否”=0），再输入模型训练。教师随笔Xx重点题型整理1.题目：课本“动物分类”案例中，数据集包含10个样本（哺乳动物6个，鸟类4个），特征“是否有毛发”的划分结果为“有毛发”对应6个哺乳动物，“无毛发”对应4个鸟类，计算该特征的信息增益。（熵计算公式：H(D)=-Σpilog₂pi）

答案：H(D)=-0.6log₂0.6-0.4log₂0.4≈0.971；划分后子集熵均为0，信息增益=0.971-0=0.971。

2.题目：根据“疾病诊断”案例特征（体温：正常/发烧，咳嗽：是/否），绘制以“体温”为根节点的决策树结构（假设“发烧”分支下“咳嗽=是”为流感，“咳嗽=否”为普通感冒；“正常”分支下全为普通感冒）。

答案：根节点“体温”，分支“发烧”→内部节点“咳嗽”，“是”→叶节点“流感”，“否”→叶节点“普通感冒”；分支“正常”→叶节点“普通感冒”。

3.题目：设计一个“学生成绩分类”决策树，特征包括“作业完成率”（高/低）、“考试成绩”（及格/不及格），类别为“优秀/合格/不合格”，说明最优特征选择及理由。

答案：最优特征为“考试成绩”，因“及格”样本多为“优秀/合格”，“不及格”样本多为“不合格”，信息增益最大，能快速划分数据集。

4.题目：简述决策树构建的递归划分步骤，并说明“动物分类”案例中停止条件。

答案：步骤：选择最优特征→划分数据集→递归构建子树；停止条件：节点样本属同一类别（如“有毛发”节点全为哺乳动物）。

5.题目：决策树在医疗诊断中易过拟合，结合课本“疾病诊断”案例，说明预剪枝策略。

答案：限制树深度（如不超过3层），或当节点样本数少于5时停止划分，避免因噪声特征（如“血象”）生成无效分支。板书设计八、板书设计

①决策树核心概念

根节点：全体样本

内部节点：特征判断

叶节点：类别标签

分支：特征取值

决策路径：分类规则

②构建原理与步骤

信息熵：H(D)=-Σpilog₂pi

信息增益：划分前熵-划分后加权熵

递归划分：选择最优特征→划分数据集→子树构建

停止条件：节点纯度足够、样本数不足、树深度限制

③教材案例与应用

动物分类：特征选择（是否有毛发、是否会飞）

疾病诊断：特征选择（体温、咳嗽、血象）

预剪枝：限制深度、子集样本数阈值

评估指标：准确率（正确分类样本数/总样本数）反思改进措施九、反思改进措施

（一）教学特色创新

1.生活案例驱动教学，用课本"动物分类""疾病诊断"等贴近学生生活的例子，降低决策树抽象概念理解难度。

2.工具实践融合理论，结合Python（Scikit-learn）或Excel工具，让学