《机器学习Python实战》电子教案 05-2-项目4 线性回归预测模型构建

武汉软件工程职业学院教案（理论教学首页）（第1页）教案（理实一体化课）武汉软件工程职业学院教案（附页）（第NUMPAGES4页）课程名称机器学习授课内容项目4波士顿房价预测——基于线性回归 4.2项目实训 4.2.1线性回归模型的应用 4.2.2波士顿房价预测 授课安排授课时数2授课对象人工智能技术应用专业大二学生授课方法讲授+课内实训、任务驱动法授课教具Python3.7及后续版本、Anaconda、Jupyter教学目标思政目标：大家也可以对自己的学习时间进行预测，了解自己的学习情况知识目标：使用线性模型进行建模能力目标：使用模型对新样本的值进行预测教学重点掌握线性回归算法的原理和训练方法教学难点线性回归模型【课前安排】（1）教师对学生们的疑问进行统一答疑。（2）回顾总结上节课内容，继续介绍本课时的内容。上节课介绍了线性模型的基本原理，本节课介绍使用线性模型进行建模；使用模型对新样本的值进行预测。【导入新课】上次课了解了基本概念，本次课的内容需要同学们积极动手进行实践，遇到问题多进行交流和讨论，促进学生进一步思考。【讲授新课】线性回归就是说通过学习到的线性模型来与猜测新的样本的输出值，站位科学角度和事实角度，对事实进行分析论证。实例学习：连锁店消暑饮料的送货量预测我们通过“连锁店消暑饮料的送货量预测”的实例来学习在连续值预测方面应用最广泛的线性回归算法，以及一些用途广泛的扩展算法。场景描述：连锁便利店的店面面积都不大，没有大量储存货品的能力，针对连锁店来说，如果能精确计算出每天的补货量，特别是对一些季节性强的货品进行统一配送，将有利于节约能源和提高店面使用率。分析：想要对夏季冷饮类货品进行精确配送，这就要较好地预测第二天每个连锁店的销售量，这个预测要依据以往的销售情况，冷饮类货品的销售量与气温，当地常住人口，店面交通便捷程度等因素都有较大关系。获取数据：考虑气温，当地常住人口，店面交通情况因素，通过以往销售数据的记录，整理得到表中的数据。绘制图像：数据有规律性趋势，随着气温升高销售量逐步增大，在电子表格中对“趋势线”添加方程𝐲=〖𝒌_𝟏𝒙〗_𝟏+〖𝒌_𝟐𝒙〗_𝟐+〖𝒌_𝟑𝒙〗_𝟑+𝒃（Y表示销售量，𝒙_𝟏、𝒙_𝟐、𝒙_𝟑代表公交站点数，气温和常驻人口）模型分析：模型只要用以往销售记录中的y和[𝒙_𝟏,𝒙_𝟐,𝒙_𝟑]数据计算出𝝎和𝒃，之后就可以通过给定新的[𝒙_𝟏,𝒙_𝟐,𝒙_𝟑]计算销售量。由于方程建立在著名的线性方程𝐲=𝝎𝑿+𝒃的基础上，这个方法被称为“线性回归”，同线性方程一样，线性回归中𝝎也被称权重矩阵，𝒃被称为偏置值。教师根据课件，演示线性回归。对数据集进行分析生成训练数据集和测试数据集使用线性回归进行建模算出线性回归方程上机练习上机练习主要针对本章中需要重点掌握的知识点，以及在程序中容易出错的内容进行练习，通过上机练习可以考察同学对知识点的掌握情况，对本章知识掌握程度。形式：单独完成上机：使用线性回归算法求解方程线性回归模型的预测线练习：使用线性回归算法进行波士顿房价预测【课堂小结】回顾上课前的学习目标，对本节课知识点进行总结。【课后安排】给学生布置随堂练习，