2025 高中信息技术人工智能初步智能技术决策树课件

一、决策树：像人一样“分步骤做决定”的智能工具演讲人01决策树：像人一样“分步骤做决定”的智能工具02决策树的“诞生记”：从数据到树的构建过程03决策树的“应用地图”：从生活到科技的智能实践04动手实践：用Python“种一棵自己的决策树”05总结：决策树的“智能哲学”与学习启示目录2025高中信息技术人工智能初步智能技术决策树课件作为一名深耕高中信息技术教学十余年的教师，我始终认为，人工智能模块的教学不仅要传递技术知识，更要培养学生用“智能思维”观察生活、解决问题的能力。决策树作为人工智能领域最经典的分类与回归算法之一，因其直观的“树状结构”和贴近人类决策习惯的特性，成为高中生理解智能技术的优质载体。今天，我们将从“是什么—怎么建—怎么用—怎么玩”四个维度，系统揭开决策树的神秘面纱。01决策树：像人一样“分步骤做决定”的智能工具1从生活场景看决策树的本质去年秋季的一次研学活动前，我让学生列出“是否带伞”的决策过程。有位同学画了这样一张图：“看天气预报→如果降雨概率＞60%，带伞；否则看云层→厚云则带伞，薄云不带。”这张简单的流程图，就是决策树的雏形——用特征（降雨概率、云层厚度）作为“分叉条件”，将复杂问题分解为逐层判断的树状结构。决策树的核心特征可概括为三点：可视化：从根到叶的路径清晰展示决策逻辑，可解释性强；层级性：每一层对应一个特征的判断，符合人类“分步决策”的习惯；普适性：既能处理分类问题（如“是否患病”），也能处理回归问题（如“预测成绩”）。2决策树的“标准零件”：节点与边的含义要理解决策树的结构，需先明确三个核心概念：根节点：树的起点，代表整个数据集（如“所有研学日的天气数据”）；内部节点：每个节点对应一个特征（如“温度”“湿度”）和一个判断条件（如“温度＞25℃？”）；叶节点：树的终点，代表最终决策结果（如“带伞”“不带伞”）；边：连接节点的箭头，代表特征判断的结果（如“是”或“否”）。以“判断学生是否参加社团”为例，根节点是“全体学生”，内部节点可能依次是“是否有兴趣”“时间是否允许”，叶节点则是“参加”或“不参加”。这种结构让决策过程像“走迷宫”一样直观。02决策树的“诞生记”：从数据到树的构建过程1第一步：给数据“洗个澡”——数据预处理去年带领学生做“校园图书推荐决策树”项目时，我们收集了200份学生阅读偏好数据，却发现15%的记录存在缺失值（如未填写“是否喜欢科幻”）。这让我深刻意识到：数据质量直接决定决策树的“智商”。数据预处理主要包括：缺失值处理：删除少量缺失样本（如＜5%），或用“最频数”“平均值”填充（如用“喜欢”填充“是否喜欢科幻”的缺失值）；离散化处理：将连续型特征（如“阅读时长”）转化为离散区间（如“＜1小时”“1-3小时”“＞3小时”）；标准化处理：统一量纲（如将“年龄”和“阅读量”转化为0-1区间的数值）。2第二步：选对“分叉点”——特征选择的核心逻辑构建决策树的关键是“每一步选哪个特征分叉”。就像切蛋糕，选对下刀的位置才能分得更均匀。这里需要引入一个重要概念：信息增益（InformationGain）。信息增益的本质是“用某个特征划分数据后，不确定性减少的程度”。举个生活例子：假设我们要判断“学生是否会参加编程社”，有两个特征可选：“是否学过Python”和“是否喜欢数学”。初始状态下，参加的概率是50%（熵值为1，不确定性最高）；用“是否学过Python”划分后，学过的学生中80%会参加，没学过的只有20%会参加（熵值降为0.72）；用“是否喜欢数学”划分后，喜欢的学生中60%会参加，不喜欢的40%会参加（熵值降为0.97）；2第二步：选对“分叉点”——特征选择的核心逻辑显然，“是否学过Python”的信息增益（1-0.72=0.28）大于“是否喜欢数学”（1-0.97=0.03），因此优先选择前者作为第一个分叉特征。3第三步：“生长”与“修剪”——避免树的“过拟合”决策树的构建过程本质是递归划分：选当前最优特征→按特征值划分数据集→对每个子集重复上述步骤，直到子集“纯”（全为同一类别）或无法再划分。但这样的树可能“枝繁叶茂”，把训练数据的“小错误”都学进去，导致对新数据的预测能力差（过拟合）。这时候需要“剪枝”——就像修剪盆栽，去掉多余的枝桠，保留主干。常用方法有：预剪枝：在树生长过程中，若划分后的精度提升不显著（如信息增益＜阈值），则停止生长；后剪枝：先生长完整的树，再从叶节点向上评估，若删除某子树能提升泛化能力，则剪掉。我曾让学生用“是否购买校服”的数据集训练决策树，未剪枝时树有12层，测试准确率仅65%；剪枝后树简化为5层，测试准确率反而提升到82%。这印证了“简单有时更有效”的道理。03决策树的“应用地图”：从生活到科技的智能实践1生活场景：用决策树优化日常选择决策树的“亲民性”在于它能将隐性的决策逻辑显性化。以“周末出游决策”为例，我们可以构建如下树：根节点：周末是否出游？内部节点1：天气→晴天（进入节点2）；雨天（叶节点：不出游）内部节点2：温度→＜25℃（叶节点：去公园）；25-30℃（叶节点：去博物馆）；＞30℃（叶节点：去水上乐园）这样的树不仅能帮学生理清“天气-温度-目的地”的关联，更能培养“用数据支撑决策”的思维习惯。我带学生做过“早餐选择决策树”，通过记录1个月的早餐类型与“上课专注度”，最终得出“高蛋白+碳水”组合最适合早八的结论，这样的实践比单纯讲理论更有说服力。2学科融合：用决策树解决跨领域问题在生物课上，学生需要根据“叶形、叶缘、叶脉”等特征分类植物；在地理课上，需通过“海拔、降水、温度”判断气候类型——这些本质都是决策树的应用场景。我曾与生物老师合作，让学生用决策树模型替代传统的“检索表”，将20种常见植物的特征输入模型，最终生成的树状图比课本表格更直观，学生分类正确率从75%提升到92%。3科技前沿：决策树在人工智能中的延伸决策树并非“孤立存在”，它是随机森林、梯度提升树（GBDT）等更复杂模型的基础。例如，随机森林通过构建多棵决策树“投票”，解决了单棵树“不稳定”的问题；GBDT则通过“每棵树修正前一棵树的错误”，提升了预测精度。这些技术广泛应用于金融风控（判断贷款风险）、医疗诊断（预测疾病概率）等领域。去年上海人工智能展上，我看到某医院用决策树模型辅助糖尿病早期筛查，输入“BMI、血糖、家族史”等特征，30秒内就能输出风险等级。这让学生直观感受到：决策树不仅是课本上的算法，更是推动社会进步的技术引擎。04动手实践：用Python“种一棵自己的决策树”1工具准备：从理论到代码的桥梁考虑到高中生的编程基础，我们选择Python的scikit-learn库（简称sklearn），它提供了简单易用的DecisionTreeClassifier类。需要安装的库包括：1工具准备：从理论到代码的桥梁pandas（数据处理）matplotlib（可视化）sklearn（机器学习）2实践步骤：以“鸢尾花分类”为例鸢尾花数据集是机器学习的“HelloWorld”，包含3种鸢尾花的4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）。我们的目标是用决策树区分这3类花。2实践步骤：以“鸢尾花分类”为例加载与查看数据fromsklearn.datasetsimportload_irisimportpandasaspdiris=load_iris()df=pd.DataFrame(iris.data,columns=iris.feature_names)df['target']=iris.target#0:山鸢尾，1:杂色鸢尾，2:维吉尼亚鸢尾print(df.head())#查看前5行数据步骤2：划分训练集与测试集fromsklearn.model_selectionimporttrain_test_split2实践步骤：以“鸢尾花分类”为例加载与查看数据X=df.drop('target',axis=1)#特征y=df['target']#标签X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)步骤3：训练决策树模型fromsklearn.treeimportDecisionTreeClassifier,plot_treeimportmatplotlib.pyplotasplt2实践步骤：以“鸢尾花分类”为例加载与查看数据clf=DecisionTreeClassifier(max_depth=3)#限制树的深度，避免过拟合clf.fit(X_train,y_train)步骤4：可视化决策树plt.figure(figsize=(15,10))plot_tree(clf,feature_names=iris.feature_names,class_names=iris.target_names,filled=True)plt.show()2实践步骤：以“鸢尾花分类”为例加载与查看数据运行代码后，学生能看到一棵清晰的树：根节点用“花瓣宽度≤0.8cm”将数据分为山鸢尾（左子树）和非山鸢尾（右子树），右子树再用“花瓣宽度≤1.75cm”进一步划分……这种“亲眼见证树生长”的体验，比任何理论讲解都更深刻。3结果分析：评估模型性能通过clf.score(X_test,y_test)可以计算测试集准确率，我们的模型准确率通常在95%以上。学生还可以尝试调整max_depth（树的深度）、criterion（信息增益或基尼系数）等参数，观察准确率的变化，理解“参数调优”的意义。05总结：决策树的“智能哲学”与学习启示总结：决策树的“智能哲学”与学习启示回顾整节课，我们从生活场景走进决策树的结构，从数据处理到模型构建，从理论分析到动手实践，最终揭开了这一经典算法的面纱。决策树的核心价值不仅在于“分类”或“预测”，更在于它教会我们：复杂问题可以通过“分步拆解”变得可解释、可操作。对高中生而言，学习决策树的意义远不止掌握一个算法。它是一把