教案-《人工智能应用导论》4-3 模型训练与评估

教案（2学时）本任务是项目四从“数据处理”迈向“智能建模”的里程碑环节，也是成果首次显现的关键阶段。学生已拥有数值化的特征矩阵（X）和情感标签（y）。本课将引导学生运用经典的机器学习算法——多项式朴素贝叶斯分类器，来学习这些特征与标签之间的映射关系，构建一个能够自动判断影评情感的预测模型。更重要的是，学生将首次系统地学习如何科学地评估一个机器学习模型的性能，理解训练集/测试集划分的意义，并掌握准确率、分类报告等核心评估指标。此环节旨在让学生体验监督学习的完整闭环，培养其模型构建与科学评估的能力。本任务核心在于“训练模型”和“评估模型”。学生首先需掌握数据集划分train_test_split的原理与操作，理解为何及如何保留一部分数据用于最终测试。接着，实例化一个朴素贝叶斯分类器MultinomialNB，并用训练集数据对其进行训练model.fit。模型训练完成后，学生需使用测试集对其进行评估：先进行预测model.predict，再计算准确率accuracy_score并生成详细的分类报告classification_report。最后，将整个分析流程封装成一个预测函数，实现对任意新影评的情感判断。任务成果是一个经过训练和评估、具备实用性的简单情感分析模型。素质目标数据集划分的操作与随机种子（random_state）的作用。模型训练（model.fit）与预测（model.predict）方法的调用。分类报告（classification_report）的解读，特别是精确率、召回率、F1-score的含义。理解“过拟合”概念以及划分测试集的根本原因。区分模型在训练集上的“学习”和在测试集上的“考试”这两个不同阶段。理解精确率与召回率之间的权衡关系，及其在不同应用场景下的重要性差异。本节课采用“建构-检验-应用”的递进式设计。首先，通过类比“学习”与“考试”，生动讲解数据集划分的必要性，并完成划分。接着，引导学生“构建”一个分类器（实例化），并“教”它学习（训练）。然后，进入激动人心的“检验”环节：让模型在测试集上“考试”，并学习如何“阅卷”（计算评估指标）。最后，将整个系统“封装”成一个可用的工具（预测函数），体验技术成果的产品化。整个教学过程强调阶段性成果的即时验证（打印输出）和逻辑连贯性。2.3教学资源与环境1.超星学习通平台、智慧职教复习上节课得到的X（特征矩阵）和y（标签向量）。思考：如果你是一个老师，有一套习题（包含答案）教学生，如何检验学生真正学会了，而不是只背下了这套题的答案？1.【复习数据】确认自己已成功生成X和y。2.【类比思考】尝试用教学中的“模拟考”来类比机器学习中的评估需求。巩固上节课成果，并引导学生用熟悉的生活经验来理解测试集的概念。教学目标达成情况：学生是否都成功完成了数据集划分、模型训练和评估？学生是否能正确解读自己模型生成的分类报告？学生封装的预测函数是否能对新评论做出正确（或合理）的判断？教学方法有效性：“学习与考试”的类比对于理解训练集/测试集划分是否有效？“抓坏人”的例子是否帮助学生理解了精确率和召回率的区别？将整个流程封装成可用的函数，是否显著提升了学生的成就感和对项目价值的认同？学生参与度与学习效果：学生在看到自己模型准确率的那一刻，反应如何？是否有成就感？在解读分类报告时，学生是感到困惑还是表现出探究的兴趣？思政元素融入效果：强调测试集评估和全面评估指标，是否加深了学生对“求真务实”、“严谨批判”的理解？在讲解random_state时，学生对“可复现性”这一科学原则的接受程度如何？存在问题与改进措施：是否需要更基础的铺垫练习？部分学生可能对分类报告中的多个