Py数据基础及实战4

打造基于产教融合的就业育人综合服务平台打造基于产教融合的就业育人综合服务平台第9章O2O优惠券使用预测教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：8学时（理论3学时，实验5学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标本章以O2O优惠券使用预测为案例，讲解分类算法在精准营销中的完整应用流程。涵盖案例背景与目标分析、描述性统计与多维度探索性分析、数据清洗与指标构造、决策树、梯度提升和XGBoost分类模型的构建与评价。使学生掌握从业务问题出发，通过数据探索、特征工程到多模型对比与评价的全流程实战能力。基本要求了解案例的背景、数据说明与目标。掌握描述性统计分析与优惠形式信息的分析方法。掌握数据清洗与数据变换的方法。掌握构建决策树、梯度提升和XGBoost分类模型的方法。掌握准确率、精确率、AUC值和ROC曲线的模型评价方法。问题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、理解并掌握知识、发展各种能力和提高思想觉悟。O2O优惠券使用预测为什么被定义为一个分类问题？分类标签是如何划分的？数据探索阶段从哪几个维度展开分析？各自发现了哪些有价值的规律？数据变换中为什么要构造用户、商户、优惠券和交互关系四个维度的指标？决策树、梯度提升和XGBoost三种分类算法各自有什么特点和适用场景？模型评价中，准确率、精确率、AUC值和ROC曲线分别侧重衡量什么？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。XGBoost算法相比传统的梯度提升算法有哪些改进？为什么在很多竞赛中表现优异？案例中构造的特征多达20余个，如何判断哪些特征对模型预测更重要？可以采用什么方法进行特征选择？如果要将本案例的模型部署到实际的O2O平台中，还需要考虑哪些工程化和业务方面的因素？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在实际的优惠券投放业务中，除了预测用户是否会使用优惠券，还可以从哪些角度优化优惠券策略？请调研一个使用机器学习进行精准营销的实际案例，分析其建模流程和业务效果。深度学习模型在用户行为预测中有哪些应用？与传统机器学习模型相比有什么优势和挑战？主要知识点、重点与难点主要知识点案例的背景、数据说明与目标。数据探索与可视化分析的方法。数据预处理与指标构造的方法。分类模型的构建与训练方法。模型评价的方法。重点数据预处理与指标构造的方法。分类模型的构建与训练方法。模型评价的方法。难点数据预处理与指标构造的方法。分类模型的构建与训练方法。教学过程设计理论教学过程背景与目标。数据探索。数据预处理。分析与建模。模型评价。实验教学过程运营商客户流失预测。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路，谭立云，苏