高中二年级信息技术选修四《决策树》教学设计

高中二年级信息技术选修四《决策树》教学设计一、教学背景分析《决策树》是浙教版高中信息技术选修四《人工智能初步》中第二章的核心内容，是学生从“感知智能应用”走向“理解智能原理”的关键一课。此前学生已经学习了人工智能的基本概念、知识表示的初步方法，对搜索与推理有了直观认识，但对“机器如何从数据中学习规律”仍停留在模糊的经验层面。决策树作为最经典、最具可解释性的监督学习模型，恰好位于“可理解性”与“可计算性”的交汇点上，是学生叩开机器学习大门最合适的第一块敲门砖。从课标要求看，《普通高中信息技术课程标准（2017年版2020年修订）》在选修模块中明确提出，学生应“通过剖析典型案例，了解智能信息处理的巨大进步和应用潜力，认识人工智能在信息社会中的重要作用”，并强调“针对给定的任务进行需求分析，提取问题的基本特征，设计并实现求解方案”。本课正是将这一要求落地的载体：学生需要面对真实数据，经历“提出问题、选择特征、构建模型、验证评估”的完整过程。学情方面，授课对象为高二选修本模块的学生。他们具备较好的数学基础，已经接触过概率的初步概念和Python基本语法，但对信息熵、信息增益等概念完全陌生；他们能熟练使用各类智能应用，却很少思考“推荐为什么准、识别为什么快”。教学中既要保护其好奇心，又要防止陷入纯数学推导的泥潭。因此本课采用“玩中学—拆中学—做中学”的递进路径，以生活化猜谜游戏引入，以手工演算突破原理，以编程实践固化认知。二、教学目标1.信息意识：能从真实情境的数据表中识别特征与标签，敏感地觉察“哪些特征对决策更有价值”，形成用数据说话的习惯。2.计算思维：理解决策树“分而治之”的递归构建思想，能手算简单数据集的信息熵与信息增益，将复杂判断问题分解为一系列二选一或多选一的分支判断。3.数字化学习与创新：能使用Python的sklearn库训练一棵决策树并进行可视化，能调整参数观察树形变化，体会“模型是数据的产物”。4.信息社会责任：结合贷款审批、疾病辅助诊断等案例，讨论决策依赖历史数据可能带来的偏见与公平性问题，初步建立“算法也要讲伦理”的意识。三、教学重难点教学重点：决策树的构建过程；信息增益作为特征选择依据的含义与计算。教学难点：信息熵概念的直观理解；“贪心策略为什么有效、又可能在哪里失效”的思辨。重难点突破策略：熵不引入对数公式的推导，而以“不确定性温度计”作比喻，配合14条天气数据手算一次信息增益，让学生看到“选哪个特征先问”不是拍脑袋，而是算出来的；贪心局限则通过一个精心构造的反例数据集让学生在程序中亲眼看到树“走弯路”。四、教学准备硬件与软件：多媒体机房，学生机安装Anaconda环境、Python3.x、scikitlearn、graphviz及pydotplus可视化组件；教师机配置同屏广播软件。素材准备：打网球数据集（Outlook、Temperature、Humidity、Windy、Play共14条）纸质学案卡；自制“摸球猜盒”实物教具两组；银行贷款审批脱敏数据集；课堂即时反馈问卷二维码。五、教学过程（一）情境导入：一场二十问游戏（约6分钟）上课伊始，教师宣布玩一个游戏：“我心中想了一种动物，你们可以向我提只能用‘是’或‘否’回答的问题，看最少几个问题能猜到。”学生踊跃提问：“它会飞吗？”“它是哺乳动物吗？”待猜中后，教师追问：“为什么你们第一个问题不问‘它是不是麻雀’，而总要先问‘会不会飞’‘是不是哺乳动物’这类大问题？”学生自然会说：大问题一次能排除掉最多可能。教师顺势板书：好问题＝最快的排除。再引导：“把你刚才的提问顺序画下来，像不像一棵倒挂的树？”学生在学案上补全这棵“提问树”。教师揭示课题：“机器做决策的方式，和你们刚才的提问策略惊人地一致。今天我们就让机器自己学会‘怎么问问题’——决策树。”随后投影一张银行审批贷款的流程示意图，指出这就是一棵树：根节点问收入，中间节点问征信，叶子给出“批”或“拒”。设计意图：二十问游戏人人参与、人人会玩，它把“特征选择的优劣”这一抽象问题转化为学生的直觉体验；从游戏树到审批树的切换，让学生意识到决策树不是玩具，而是真实运行在社会系统中的技术。（二）新知建构一：决策树的结构与思想（约8分钟）教师展示打网球数据集，共14条记录，每条记录记录天气的四个特征与当天是否打球。提出问题：“如果明天多云、温度适中、湿度高、无风，打不打？”学生发现凭感觉无从判断，需要一套系统的推理规则。借助动画逐层演示：全体数据混入一个“筐”，选一个特征劈开，各子筐再看纯度，不纯的继续劈，直到筐内只剩一类或没有特征可用。教师明确术语：最上面是根节点，每个劈叉处是内部节点，到底的判定结果是叶子节点，从根到叶的一条路径就是一条决策规则。请一名学生上台，在投影的半成品树图上，根据给定的三条新样本现场“走树”，全班核对答案。接着组织同桌互讲：“用一句话向同桌说明白决策树是怎么做判断的。”教师提炼本节第一句核心话语并板书：决策树＝一连串精心挑选的“是否问题”之链；构建它的核心难题只有一个——每一步先问哪个特征。设计意图：结构认知走“看动画—上台走树—互讲一句话”的三种表征通道，确保不同学力的学生都能建立“路径即规则”的心智模型；同时把课堂焦点收拢到“选特征”这一主问题上，为信息增益的出场蓄势。（三）新知建构二：不确定性与信息熵（约10分钟）教师拿出两组不透明盒子的图片：A盒中10个红球，B盒中5红5蓝。提问：“各摸一个球，哪个盒子的结果更没把握？”学生答B盒。再出示C盒：9红1蓝。学生判断介于两者之间。教师引导：“能不能给‘没把握’打分数？”抛出信息熵的直观定义：一个集合越杂（各类比例越接近），熵越大；越纯，熵越小；纯到极致为0。板书描述性公式：熵＝各类别“占比×该占比的混乱度”之和，混乱度用对数度量。教师强调本课不推导公式来源，只要求会用、会算。以打网球数据为例现场演算：14天中9天打球、5天不打。分步写出：打球占比9/14≈0.643，不打占比5/14≈0.357，则根节点的熵为−(0.643×log₂0.643＋0.357×log₂0.357)≈0.940。教师用计算器逐步展示，学生同步在学案上按步骤复算一遍。接着给出“以湿度特征分组”的情形：湿度高的7条中3打4不打，熵约0.985；湿度正常的7条中6打1不打，熵约0.592。抛出问题：“劈完这一刀之后，整体的平均不确定性变成多少？”引导学生按两组的样本数做加权：(7/14)×0.985＋(7/14)×0.592≈0.789。设计意图：熵是全课最陡的坡。用摸球建立直觉、用“打分任务”产生计算需求、用真实数据带算一次，三步把抽象概念压进学生手可触及的范围。加权平均的追问，为下一步信息增益埋下逻辑的扣子。（四）新知建构三：信息增益——谁是好问题（约8分钟）教师直接亮出定义：信息增益＝分裂前的熵−分裂后的加权平均熵，它度量“这个问题为我们减少了多少糊涂账”。承上例板书：Gain（湿度）＝0.940−0.789＝0.151。分组任务：学案上已给出按“天气Outlook”分组后三个子集的打球分布（晴：2打3不打；多云：4打0不打；雨：3打2不打），要求四人小组算出Outlook的信息增益，与湿度的0.151比较大小，得出“第一步该问谁”。小组演算时教师巡视，重点纠正两类错误：一是忘了乘权重直接求和，二是多云组熵为0时不知如何处理（强调纯度100%时熵就是0，无需硬算）。约四分钟后公布标准答案：Outlook的信息增益约0.246，大于湿度，故根节点应选天气。教师揭示完整算法流程并板书：对每个候选特征算增益→选最大者分裂→对每个不纯子集递归重复→直至纯净或无特征可用。指出这正是ID3算法的思想，凡事“当前最优”的贪心策略。设计意图：把完整数据集的全部计算压缩为“教师示范一次、学生合算一次”，控制计算量又不牺牲体验；让学生亲手算出“0.246＞0.151”的那一刻，就是“好问题可以算出来”这一观念真正立住的时刻。（五）实践探究：让机器自己长出这棵树（约12分钟）任务一：初识代码。学生打开教师下发的半成品程序tree_demo.py，只需补全三个空：读入数据、调用DecisionTreeClassifier、调用fit方法。运行后屏幕上跳出一棵可视化的决策树。要求学生核对：机器选的根节点特征是否与自己手算结果一致。多数小组惊呼“真的是Outlook”。任务二：参数实验。修改max_depth参数（1、2、3、不限制）分别重训，观察树的深度与训练集准确率的变化，填入学案表格。引导学生发现：树越深，训练集上越准，但凭直觉“背下全部数据的树”面对新天气未必可靠，为下一课过拟合埋下伏笔。任务三：迁移挑战。发放银行贷款脱敏数据集（含年龄、收入区间、是否有房、征信记录、是否获批），要求学生独立改几行代码完成训练并导出树图，用一句话写出树的第一层判断规则并解释其业务含义。教师巡视要点：关注特征值是否需编码（strings转数字）、graphviz路径报错等常见故障，事先准备“排错锦囊”小卡片供按需领取。对超前完成的学生追加思考题：把max_depth设为1，看机器剩下了哪个特征，和人的直觉是否吻合。设计意图：三个任务构成“复现—探究—迁移”的梯度。复现建立信心，探究暴露模型的深度—复杂度矛盾，迁移检验真实应用能力；手算与程序结果互证，是本课最值得保留的教学瞬间，它让学生确信代码背后没有魔法，只有自己刚算过的数学。（六）思辨提升：机器的偏见与边界（约6分钟）教师投影一幅由贷款数据训练出的树，其中某分支因历史数据中某年龄段违约率偏高而直接拒贷。组织微型辩论：正方“按历史规律决策无可厚非”，反方“这会把过去的不公平写进未来”。各组派一名代表陈词40秒。教师不做裁决，转而给出立场：决策树只是历史数据的镜子，数据若携带偏见，树便原样放大偏见；它的好处恰恰是“每个分支都看得见、问得清”，这正是金融、医疗等高风险领域青睐它的原因——可解释，才可监督，才可追责。同时点出贪心策略的局限：每步只顾当前最优，整体未必最优，4人小组可用学案上的反例数据课后验证。设计意图：技术课的育人落点不在口号而在具体案例。让学生站在“被算法决定”的视角审视亲手训练的模型，责任意识便有了附着点；可解释性与公平性这对张力，也为学有余力者打开了继续钻研专业通道的缝隙。（七）课堂小结与作业（约4分钟）采用“三句话复盘”：请三名学生分别用一句话回答——决策树是什么？机器怎么选特征？它可能出什么问题？教师补充完善后，以板书结构图收束全课：一条主线“分而治之”，两把量尺“熵与信息增益”，三个提醒“贪心有局限、树深有过拟合、数据有偏见”。分层作业：基础层，手算给定8条购物数据的信息增益并画出第一层分裂；提高层，用sklearn对鸢尾花数据集训练决策树，调节max_depth记录三组成果并写80字结论；拓展层，查阅资料了解C4.5相对ID3的一项改进，下节课用一分钟向同学分享。六、板书设计主板书区自上而下呈现三栏：左栏“结构”配简易树形图标注根、内部节点、叶子；中栏“算法”写清三个动词——算熵、比增益、递归分裂；右栏“反思”列出贪心、过拟合、数据偏见三个关键词。副板书保留本课两处关键算式：根节点熵0.940与Outlook增益0.246，作为手算与程序互证的物证。七、教学评价设计过程性评价贯穿三处：游戏环节的提问质量观察表、小组演算的投屏互评、编程任务的运行结果自动核验。结果性评价依托分层作业，评价维度聚焦知识（熵与增益计算正确性）、能力（代码调通与参