九年级全册信息技术浙教版 第二单元 第8课 完善基础建模 教案

九年级全册信息技术浙教版第二单元第8课完善基础建模教案学校授课教师课时授课班级授课地点教具教学内容一、教学内容九年级全册信息技术浙教版第二单元第8课“完善基础建模”，教材内容包括：模型评价维度（准确性、适用性、可操作性），完善模型的方法（数据清洗与补充、结构优化、参数调整），实践案例（用Excel优化销售预测模型，修正数据异常点，调整函数参数提升预测精度）。核心素养目标二、核心素养目标学生能通过模型评价维度（准确性、适用性、可操作性）的分析，提升信息意识，主动关注数据质量与模型价值；运用数据清洗、结构优化、参数调整等方法，培养计算思维，形成优化模型的逻辑路径；借助Excel工具实践模型完善，掌握数据处理与函数调整的数字化学习与创新方法；在模型应用中树立数据严谨意识，形成负责任的信息社会责任。教学难点与重点三、教学难点与重点

1.教学重点：模型评价维度的具体应用及三种完善方法的核心操作。举例：准确性维度需通过识别并修正数据异常点（如销售数据中的极端值）提升；结构优化需根据数据特征选择合适函数（如线性回归或指数函数）；参数调整需通过Excel函数（如FORECAST.LINEAR）迭代优化预测结果。

2.教学难点：多维度评价的综合判断和方法的灵活迁移。举例：学生难以平衡适用性与可操作性，如高精度模型可能因复杂结构降低可操作性；面对多变量数据时，难以确定优先进行数据清洗还是结构优化，导致模型完善效率低下。教学资源1.软硬件资源：学生用计算机（安装Excel软件）、教师演示机、投影设备。

2.课程平台：校园信息化教学平台（用于发布学习任务与案例资源）。

3.信息化资源：

-课本配套原始数据文件（销售预测模型数据表）；

-微课视频（数据清洗与参数调整操作演示）；

-模型优化案例库（含不同行业修正后的对比文件）。

4.教学手段：小组合作实践、教师分步演示、错误案例辨析板书。教学流程1.导入新课（5分钟）

展示课本中原始销售预测模型案例（某公司2023年1-6月销售额数据，用线性函数预测7月结果与实际偏差较大），提问：“为什么看似合理的模型预测结果不准确？如何让模型更贴近实际？”引导学生回顾基础建模步骤，指出模型需要完善，引出本节课主题——通过评价维度和方法优化模型，自然衔接旧知与新知，明确学习目标。

2.新课讲授（20分钟）

（1）模型评价维度解析（7分钟）

结合教材内容，详细讲解准确性、适用性、可操作性三个维度。以销售预测模型为例：准确性指预测值与实际值的误差（如MAE=5%是否可接受）；适用性指模型是否符合业务场景（如长期预测需考虑趋势变化，短期预测需关注近期数据）；可操作性指模型是否易用（如函数复杂度是否影响更新效率）。举例：某模型用高阶多项式拟合，精度高但参数多，销售部门难以维护，说明可操作性不足。

（2）完善方法之数据清洗（6分钟）

重点讲解数据清洗步骤：识别异常值（如Z-score法、箱线图法）、处理异常值（删除、替换、插补）。以课本配套数据为例：某月销售额为10000元，其他月份在2000-3000元，用条件格式标记异常值，计算Z-score=3.2，确定为异常值，采用中位数替换法（中位数2500元），对比清洗前后MAE变化（从8.2%降至3.5%），强调数据清洗对准确性的基础作用。

（3）完善方法之结构优化与参数调整（7分钟）

结构优化：讲解根据数据特征选择函数类型（线性、指数、对数等），用R²值判断拟合优度。举例：销售数据呈指数增长，原线性模型R²=0.75，改用指数函数后R²=0.92，说明适用性提升。参数调整：以Excel函数FORECAST.LINEAR为例，演示调整参数（如预测周期、权重系数），观察预测值变化，强调参数调整需结合业务逻辑（如季节因素调整权重），体现可操作性与准确性的平衡。

3.实践活动（10分钟）

（1）任务1：数据清洗实践（3分钟）

打开课本配套“2023年月度销售数据.xlsx”，用条件格式标记偏离平均值2倍标准差的异常值，采用移动平均法替换异常值，记录清洗前后MAE值，体会数据清洗对模型准确性的影响。

（2）任务2：结构优化选择（4分钟）

对清洗后的数据，分别用LINEST（线性）和LOGEST（指数）函数拟合，计算R²值，结合数据增长趋势（如逐月增长率稳定），选择更适用的函数类型，填写优化报告，理解结构优化对适用性的提升。

（3）任务3：参数调整迭代（3分钟）

以选定函数为基础，用FORECAST.LINEAR函数预测未来3个月销售额，调整参数“x”（如考虑季节因素设置权重系数），对比不同参数下的预测误差，记录最优参数组合，掌握参数调整对模型精度的优化作用。

4.学生小组讨论（5分钟）

（1）讨论问题1：模型中存在多个异常值且结构复杂，应优先处理数据还是优化结构？举例回答：“我们组认为优先处理数据，因为异常值会误导结构选择，比如某异常值导致线性模型R²虚高，清洗后才能真实反映指数趋势。”

（2）讨论问题2：高精度模型（R²=0.95）需复杂函数，低精度模型（R²=0.85）用简单函数，如何根据业务场景选择？举例回答：“如果是季度销售预测，业务部门需要每月更新，选低精度高可操作性的线性模型；如果是年度战略规划，选高精度指数模型，即使复杂也值得。”

（3）讨论问题3：参数调整后精度提升，但预测结果不符合市场预期，如何解决？举例回答：“重新检查数据特征，可能遗漏了外部因素（如促销活动），补充数据后调整参数，比如在函数中加入虚拟变量表示促销月份，提升模型适用性。”

5.总结回顾（5分钟）

梳理本节课核心：模型完善需先通过评价维度（准确性、适用性、可操作性）定位问题，再灵活运用数据清洗（解决数据质量）、结构优化（匹配数据特征）、参数调整（平衡精度与操作）三种方法。强调完善过程是迭代循环（评价→优化→再评价），举例说明：销售预测模型需先清洗异常值→选择指数函数→调整季节参数→再评价适用性，最终形成可用的优化模型。重申“数据是基础，结构是关键，参数是调节”，呼应核心素养中的计算思维与信息意识，为后续学习复杂建模奠定基础。教学资源拓展1.拓展资源：

（1）行业案例拓展：补充零售业库存周转率预测模型完善案例，展示如何通过数据清洗剔除促销异常数据，用移动平均法优化结构，调整季节参数提升预测准确性；教育领域学生成绩预警模型案例，说明如何通过处理缺考数据、优化逻辑回归结构、调整及格线参数增强模型适用性，体现不同场景下模型完善方法的共性。

（2）数据清洗方法拓展：介绍分位数法（IQR法则）识别异常值，如Q1-1.5IQR至Q3+1.5IQR区间外的数据标记异常；KNN插补法（基于邻近样本均值替换异常值），对比课本中Z-score法与中位数替换法的适用场景，说明连续数据与离散数据的清洗差异。

（3）结构优化模型拓展：讲解多元线性回归模型基础（如加入广告投放量、季节因素作为变量），用Excel的“数据分析-回归”工具计算R²和p值，判断变量显著性；时间序列模型中的ARIMA简单应用，说明当数据存在趋势和季节性时，如何通过差分法处理非平稳数据，优化模型结构。

（4）参数调整策略拓展：介绍网格搜索法（遍历不同参数组合，选择最优R²值），如FORECAST.LINEAR函数中预测周期x取1-6的迭代测试；交叉验证法（将数据分为训练集和测试集，避免过拟合），举例说明用80%数据训练模型后，用20%数据验证参数调整效果，提升模型泛化能力。

2.拓展建议：

（1）实践应用建议：引导学生收集家庭月度水电费数据，建立预测模型并完善，先通过箱线图识别异常月份（如寒假用电激增），用中位数替换；再比较线性函数与指数函数的R²值，选择合适结构；最后调整参数（如考虑空调使用高峰期权重），形成可家庭使用的节能预测工具，深化对模型完善全流程的理解。

（2）工具深化建议：建议学生自学ExcelPowerQuery功能，用于批量处理原始数据（如合并多个月份的销售表、拆分日期列），提升数据清洗效率；学习数据透视表辅助结构优化，如按季度分组分析销售额趋势，辅助选择函数类型；练习“规划求解”工具调整参数，如设定最小误差目标，自动优化FORECAST.LINEAR函数的权重系数。

（3）思维提升建议：组织“模型完善方案设计”活动，给定某公司季度销售额数据（含异常值、增长波动），要求小组制定完善方案并说明理由，需涵盖评价维度分析、方法选择优先级（如先清洗后优化）、参数调整依据，培养综合应用能力；鼓励学生关注模型的社会责任，如预测模型中避免算法偏见（如仅用高收入区域数据预测产品销量），确保模型适用性与公平性。重点题型整理七、重点题型整理

1.题型：模型评价维度应用

某公司用线性模型预测月销售额，预测值与实际值平均误差为12%，且模型需每月手动更新函数参数，业务部门反馈操作繁琐。请从准确性、适用性、可操作性三个维度评价该模型存在的问题，并说明改进方向。

答案：准确性不足（误差12%过高）；适用性低（未考虑销售趋势变化）；可操作性差（手动更新参数效率低）。改进方向：清洗数据剔除异常值，改用指数函数匹配增长趋势，用FORECAST.LINEAR函数自动预测。

2.题型：数据清洗方法选择

某产品销量数据（单位：件）为[120,130,125,500,128,122]，其中500为录入错误值。请选择合适的数据清洗方法处理异常值，并计算清洗后的平均误差（实际销量均值125件）。

答案：用中位数替换法（中位数125件），替换后数据[120,130,125,125,128,122]，平均误差=|120-125|+|130-125|+|125-125|+|125-125|+|128-125|+|122-125|÷6=3.3件。

3.题型：结构优化函数选择

某企业近5年销售额（万元）为[100,120,145,175,210]，月增长率稳定在15%-18%。请选择合适的函数类型拟合数据，并计算R²值说明适用性。

答案：选择指数函数y=a·b^x，拟合得y=90·1.15^x，计算得R²=0.98（接近1），说明指数函数与数据增长趋势高度匹配，适用性强。

4.题型：参数调整优化

用FORECAST.LINEAR函数预测下月销售额，参数x（预测周期）取1-6时，预测误差分别为8%、7%、6%、5%、6%、7%。请确定最优x值并说明理由。

答案：最优x=4，误差最小（5%），说明预测周期为4个月时模型精度最高，兼顾短期波动与长期趋势。

5.题型：模型完善综合应用

给定某店铺季度销售额数据（万元）：Q1[80,85,90]，Q2[200,210,220]，Q3[95,100,105]，Q4[210,220,230]。完善该预测模型的步骤。

答案：步骤①数据清洗：Q2和Q4数据异常（为促销季），标记为特殊值；步骤②结构优化：按季度分组计算均值，选择线性函数拟合季度趋势（Q1均值85，Q2均值210，Q3均值100，Q4均值220）；步骤③参数调整：加入季节虚拟变量（促销季x=2，非促销季x=1），调整FORECAST.LINEAR参数，误差从15%降至5%。反思改进措施（一）教学特色创新

1.情境贯穿式教学：以真实销售预测案例为线索，将模型评价维度、数据清洗、结构优化等知识点融入问题解决过程，增强学生实践代入感。

2.评价量表工具化：设计“模型完善评价卡”，让学生用准确性、