《机器学习Python实战》电子教案 10-1-项目7 决策树与随机森林预测建模

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7判断西瓜的好坏—决策树与随机森林7.2项目实训 7.2.1决策树判断西瓜的好坏 7.2.2决策树和随机森林实现酒分类的对比 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：算法不仅要知道原理，还需要知道如何应用，这样才能遇到实际问题才知道如何解决。知识目标：理解决策树与随机森林的优势和不足能力目标：掌握决策树与随机森林的原理和使用教学重点掌握决策树、随机森林算法模型的使用教学难点决策树算法【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。本节课继续介绍决策树与随机森林的应用。【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。引导学生在学习过程中接受积极向上、爱国敬业的精神，树立正确的价值观与人生观。【讲授新课】教师根据课件，介绍决策树与随机森林的优势和不足。随机森林的本质属于机器学习的一大分支——集成学习（EnsembleLearning）方法。它有如下几个特点：在当前所有算法中，具有极好的准确率能够有效地运行在大数据集上能够处理具有高维特征的输入样本，而且不需要降维能够评估各个特征在分类问题上的重要性在生成过程中，能够获取到内部生成误差的一种无偏估计对于缺失值问题也能够获得很好得结果教师根据课件，演示用决策树判断西瓜的好坏：本次任务将根据西瓜的各项特征判断西瓜的好与坏。首先需要对西瓜的特征值进行数值化处理，然后根据已有数据构造决策树模型，并对测试样本进行预测判断是否是好瓜。数据读取和处理用决策树建模并做出预测决策树的分类过程展示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：使用酒的数据集演示决策树的构建（选取数据集样本的前两个特征）#导入tree模型和数据集加载工具fromsklearnimporttree,datasets#导入数据集拆分工具fromsklearn.model_selectionimporttrain_test_splitwine=datasets.load_wine()#只选取数据集的前两个特征X=wine.data[:,:2]y=wine.target#将数据集拆分成训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=8)设定决策树分类器最大深度加大深度试试看结果会有什么变化#设定决策树最大深度为3clf2=tree.DecisionTreeClassifier(max_depth=3)#重新拟合数据clf2.fit(X_train,y_train)绘制图形看看分类器的表现【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