数据采集与预处理技术-P7T1-教案

授课教案20—20学年第学期_______学院________专业课程名称数据采集与预处理技术任课教师授课形式理论教学□课内实践□理论+实践☑习题复习□考核评价□其他活动□课时安排2学时（90分钟）序号25授课日期月日月日月日月日授课班级2026级相关专业教学班授课地点实训机房（多媒体）教学内容：项目七任务一sklearn的安装及介绍课程思政设计：1.科学精神与实证态度——客户流失能不能预测，不靠拍脑袋。3150条历史记录、360组候选模型、1080次拟合，结论全部由算出来的数字支撑。课堂要求学生说出每一个数字的来源，不说大概、差不多。2.工匠精神与规范意识——安装sklearn之前必须先确认NumPy、SciPy与Matplotlib三个依赖库已经就位，装完必须立刻验证版本号。依赖没装好，后面全部环节都会崩，规范不是形式而是能不能干活的前提。3.辩证思维与技术边界——集成学习再强也不是万能。单一模型够用时就不必堆模型，八大处理任务也不是每个项目都要用满。课堂讲清每种手段的适用场合，不把工具讲成通用解药。4.职业责任与代价意识——调优目标选召回率意味着宁可多留客户也不能漏掉真流失，这个取向直接连着企业的经营代价。课堂让学生明白，scoring参数不是技术细节而是业务决策。教学目标：知识目标：能说出sklearn的全称scikit-learn及其在Python科学计算生态中的位置；能说出sklearn依赖的三个核心库及其作用；能说出数据预处理、特征选择、模型选择、度量指标、降维、聚类、基本学习模型、集成学习八大处理任务各自解决什么问题；能说出完整机器学习工作流程的五个环节及其先后顺序；能说出GridSearchCV中param_grid、cv、scoring三个参数的含义。能力目标：能用python--version与pip--version检查本机环境版本并判断是否满足要求；能用pipinstall-Uscikit-learn完成安装，并用importsklearn与打印版本号验证安装成功；能说出MinMaxScaler、StandardScaler、Binarizer、OneHotEncoder四个预处理类各自的用途；能用GridSearchCV对DecisionTreeClassifier做超参数搜索，并读出best_score_与best_params_两个输出；能由各参数取值个数推算候选模型总数，再由候选数与折数推算总拟合次数。素质目标：养成装库前先查依赖、装完立即验证的习惯，不装完就往下写代码；养成把调优结论建立在可复现数字上的习惯，不凭印象说效果好；养成说明技术选择背后业务代价的意识，不只说自己用了哪个方法。教学重难点及解决方法：教学重点：sklearn的安装与验证；八大处理任务的识别与归类；决策树超参数网格的构成与结果读取。教学难点：候选模型数量与总拟合次数的推算；召回率导向下最优参数组合的解读。学生容易把360当成教材给出的现成数字而不知其来源，对cv＝3意味着每个候选模型要拟合三次这一点也容易忽略。解决方法：针对难点：把参数网格画成表格逐行列出取值个数，学生自己乘出2×6×5×6＝360，再乘折数得1080，用可验算的乘法替代口头说明；对best_params_的四个值逐个解释它与召回率的关系，让学生讲得出每个取值为什么被选中。针对重点问题：采用边讲边练，每讲完一类处理任务或一段代码，即在课程在线教学平台推送1～2道限时练习当堂消化；把工作流程整理成五步固定流程，每步都有可复述的要点，学生能自行判断进度；实操期间教师巡视，重点检查安装是否真的完成、特征变量是否真的去掉了标签列；课后按练习正确率推送分层强化题。教学环境及平台：实训机房（多媒体），每人一机，配备投影与广播教学软件；Python3.9运行环境（NumPy、SciPy、pandas、scikit-learn）；课程在线教学平台。软件与工具：Anaconda、JupyterNotebook、PyCharm/VSCode。数据与素材：教材配套电信客户流失数据集（CustomerChurn.csv，3150条记录，9个特征字段）。教学资源：①教材《数据采集与预处理技术》第189–193页正文、示例代码与配套数据集；②本课程课件与演示代码（含环境检查脚本、网格搜索完整脚本）；③课程在线教学平台（预习测验、随堂练习、课后答疑）与课程AI智能体。学习效果评价方式：过程性评价40%＋终结性评价60%的综合评价方式，本次课成绩计入平时成绩，对应其中三项：①课堂实操（主要部分）：提交环境检查截图、sklearn版本号输出、网格搜索代码与最佳参数输出，按安装完成度、代码完整度、结果正确性三项评分；②随堂测验：下课前5题（sklearn依赖库、八大任务识别、cv与scoring含义、候选数推算），平台自动批改，当场讲评错误率最高的一题；③课后作业：提交客户流失预测完整脚本与运行结果，附最佳参数组合的逐项说明。课前预习：平台3道诊断题（sklearn依赖库、pip与conda的区别），统计错误率用于调整讲授重点。课后小结：填表说明：1.序号，指该课程授课的顺序号，应与授课计划一致；2.授课形式在相应的选项打“√”。教学内容及过程时间分配方法及手段思政元素【教师活动】1.承接项目六：上一项目已经把缺失值补齐、异常时间与异常价格清理掉，重复记录也删除干净，数据整合与转换也已经完成。提问：数据已经干净了，接下来能用它做什么？2.给出本次任务情境：某电信公司需要根据历史客户数据，如通话失败次数、投诉次数、订阅时长、使用秒数、使用频率、短信频率、不同通话号码数、使用状态等，分析并预测客户流失情况，帮助公司制定个性化营销策略。3.投屏教材表7-1，展示3150名客户记录中的前6行，逐列说明九个字段的含义与量级差别。4.提问：只看这6行，能不能判断哪些客户会流失？请学生先表态，再追问理由。5.点明本任务：认识scikit-learn这个机器学习工具库并完成安装，用它把客户流失预测跑通，并讲清每一步在做什么。【学生活动】口述项目六完成的数据清洗工作；看投屏的前6行记录，逐列说出字段含义；对凭6行能否判断流失发表看法并说明理由。【设计意图】对应知识目标1与能力目标1。以项目六的清洗成果为起点，学生在上一项目已建立数据可用了的预期，此处顺势把问题推进到能用它做什么；先让学生凭少量记录判断再引入3150条记录与机器学习，是为了说明预测问题靠肉眼解决不了，只能靠工具与方法，直接回应思政中的实证态度；逐列说明字段量级差别，为本项目后续任务讲标准化与归一化埋下伏笔。环节一任务情境：3150名客户谁会流失（8分钟）任务驱动法直观演示法（投屏＋数据）实证态度：3150条记录结论靠算出来【教师活动】1.讲sklearn的全称scikit-learn，说明它是基于Python的开源机器学习库，构建在NumPy与SciPy之上，因此在安装sklearn之前必须先确保NumPy、SciPy、Matplotlib三个依赖库已经装好。2.演示pip安装法的三步，投屏命令行窗口：第一步用python--version与pip--version检查版本，强调Python需在3.9及以上；第二步用pipinstall-Uscikit-learn安装，说明-U会自动处理依赖关系；第三步用importsklearn与打印版本号两句代码验证。3.现场执行，投屏实际输出的版本号，说明没有报错且输出版本号即为安装成功。4.讲Anaconda安装法的四步：安装Anaconda；用condacreate-nmyenvpython=3.9创建虚拟环境；用condaactivatemyenv激活；用condainstallscikit-learn安装；再用同样两行代码验证。强调虚拟环境的作用是避免包冲突。5.讲sklearn的设计目标：提供高效、灵活且通用的机器学习算法，同时兼具易于使用的API接口，适合新手与有经验的开发人员；可与NumPy、SciPy、pandas与Matplotlib无缝集成。6.全班在各自机器上完成安装并报出版本号，教师逐机确认。【学生活动】跟做三步，记录本机的Python版本与sklearn版本号；说出虚拟环境的作用；对两种安装方式的差别做笔记。【设计意图】对应能力目标1、2，落实知识目标2。安装是本节唯一必须先完成的动作，装不上后面全部环节都无法进行，因此单独成环节并留足时间逐机确认；两种安装方式并列讲，是为了让学生明白pip与conda是两套并行的包管理体系，避免以后混用；把依赖库讲在前面、把验证讲在最后，直接落实思政中的规范意识。环节二sklearn的安装与验证（12分钟）演示—模仿讲练结合（命令行＋Jupyter）规范意识：先查依赖装完即验证【教师活动】1.说明sklearn提供从数据预处理到模型评估的一整套工具，下面按八大处理任务逐一讲解，每项都配上对应的模块或函数名。2.数据预处理：讲MinMaxScaler、StandardScaler、Binarizer、OneHotEncoder四个常用类，说明各模型输入输出以np.array与pd.DataFrame为标准格式，字符串的离散标签不能直接用于模型训练；以距离作为度量进行训练时必须考虑无量纲化问题。3.特征选择：引用教材原话，数据与特征决定了学习的上限，模型和算法只是努力逼近这个上限。讲两类需求：维度过多时过滤掉不重要的特征以加快训练速度；特征较少或模型效果不佳时构造新特征提升特征空间维度，改善模型性能。4.模型选择：讲train_test_split、cross_val_score、GridSearchCV三个函数，说明它们分别对应数据集划分、参数调优与模型验证。5.度量指标：说明不同的度量指标会影响模型的优化方向，从而得到不同的最优模型；分类任务、回归任务、聚类任务各有评价指标。6.降维：以奇异值分解为例说明降维在数据预处理中的作用，讲清降维后的特征往往与原有特征不再具备直接的解释关系，这在一定程度上降低了模型的可解释性。7.聚类：讲基于距离、基于密度、基于层次三类方法，说明聚类是在没有样本真实标签的情况下把物以类聚的样本分为若干组。8.基本学习模型：讲线性模型、K近邻、支持向量机、朴素贝叶斯、决策树五类，说明分类与回归同属有监督学习。9.集成学习：讲Bagging、Boosting、Stacking三个流派，说明单一的基本学习模型难以满足实际需求时才用集成。10.归纳：八大任务的排列顺序本身就是一条从原始数据到最终模型的技术链条。【学生活动】边听边在笔记本上按八项记录对应的模块名；说出MinMaxScaler与OneHotEncoder分别处理什么类型的数据；举例说明自己见过的一个聚类场景。【设计意图】对应知识目标3，落实能力目标3。八大任务按教材顺序讲，是为了让学生先建立全局图景，知道sklearn能干什么，后续环节讲流程与案例时才有位置可放；每项都配模块名，学生课后查阅有据可依；把可解释性会下降讲在降维项里，为本项目任务四讲主成分分析埋下伏笔；归纳成链条直接落实思政中的系统观念。环节三sklearn的八大处理任务（18分钟）讲授＋板书结构化归纳案例分析系统观念：八大任务各司其职构成完整链条【教师活动】1.点明正确的模型学习不只是选择一个算法并进行预测，完整流程涵盖五个关键环节。2.数据准备：演示用datasets.load_iris()加载鸢尾花数据集，用train_test_split()划分训练集与测试集，强调划分必须在建模之前完成。3.数据预处理：说明要按数据类型的不同决定是否做标准化、去噪、缺失值填充，目的是提升数据质量与模型效果。4.选择算法并训练模型：演示用fit()方法训练，说明训练好的模型才能对新数据做预测。5.模型评估：说明采用交叉验证或单独划分的训练集与测试集做评估，常用指标包括准确率、召回率与F1分数。6.模型优化：说明通过参数调整、特征工程或者尝试不同的算法，不断优化模型，提高预测精度与泛化能力。7.强调五步顺序不可颠倒，尤其测试集划分必须在训练之前，否则评估结果不可信。8.让全班按五步复述，教师补充纠正。【学生活动】跟做鸢尾花数据集的加载与划分；按五步顺序复述流程；说出测试集划分为什么要放在训练之前。【设计意图】对应知识目标4。五步流程是本任务的骨架，讲清顺序才能让后续讲网格搜索时学生知道它落在第五步；把划分必须在前单独强调，是因为这是学生最常犯的顺序错误；让全班复述而不是教师总结，便于当场发现理解缺口，直接落实思政中的流程意识。环节四机器学习工作流程五步（15分钟）讲授＋板书流程图示讲练结合流程意识：五步顺序固定不可跳步【教师活动】1.说明本任务用决策树模型做客户流失预测，决策树属于有监督学习中的分类模型。2.讲四个待调超参数及其取值：criterion取gini与entropy两种分裂标准，gini是基尼不纯度、entropy是信息增益；max_depth取10到60六档，表示决策树的最大深度；min_samples_split取10到50五档，表示内部节点再划分所需的最小样本数；min_impurity_decrease取0到0.1六档，表示划分所需的最小不纯度减少。3.把四个参数的取值个数并列板书，让学生自己乘出候选模型总数2×6×5×6＝360。4.讲GridSearchCV的四个参数含义：estimator为待调模型，param_grid为参数网格，cv＝3表示三折交叉验证，scoring＝recall表示以召回率为优化目标。5.讲拟合次数推算：360个候选模型，每个在输入数据集的不同子集上拟合三次，共1080次。6.提问：为什么这里选召回率而不是准确率？引导学生认识召回率优先意味着宁可多留客户也不能漏掉真流失。7.演示gridSearch.fit(Xs,y)的完整代码，说明Xs是去掉流失标签列后的所有特征列，y是流失标签列。【学生活动】自己在纸上做2×6×5×6的乘法，报出360与1080两个数；说出cv与scoring两个参数的含义；讨论并说明为什么本场景选召回率。【设计意图】对应知识目标5与能力目标4、5，突破难点候选模型数量与拟合次数的推算。让学生自己乘出数字而不是直接告知，乘法过程可验算，学生记住的是自己算出来的结果；把scoring＝recall与业务代价挂钩，把技术参数讲成业务决策，直接落实思政中的代价意识；本环节与本项目后续任务共用同一套讲法，学生在项目七内形成统一思路。环节五决策树与网格搜索（15分钟）对比演示启发式提问（Python＋sklearn）工匠精神：每个参数都连着业务代价【教师活动】1.布置任务：把前面学的内容整合成完整脚本，完成客户流失预测的建模与调优。2.示范脚本骨架并边写边讲四段顺序：导入库与读取数据、划分特征与标签、定义参数网格、执行网格搜索并输出结果。3.逐段演示代码：用pd.read_csv读取客户流失数据集；用customer_df['Churn']取出目标变量；用drop(columns=['Churn'])取出特征变量；用字典写出param_grid；用GridSearchCV构造搜索对象；用fit执行搜索。4.演示两句输出语句，分别打印best_score_与best_params_。5.投屏教材给出的结果：最佳分数0.7353535353535353，最佳参数组合为criterion取entropy、max_depth取10、min_impurity_decrease取0.005、min_samples_split取40。逐项解释这四个值与召回率的关系：entropy说明用信息增益作分裂标准在本次数据上更利于找出流失客户；max_depth取10说明树不宜过深，过深会记住训练集里的个别案例；min_samples_split取40说明每个节点至少要保留40个样本才继续划分；min_impurity_decrease取0.005说明不纯度提升不足0.005的划分不再进行。6.学生实操期间巡视，重点检查特征变量是否真的去掉了标签列、参数网格是否写全、两句输出是否都执行了。【学生活动】独立实现完整脚本并运行，记录最佳分数与最佳参数组合；核对自己的参数组合与投屏结果是否一致；与同桌比对输出，差异明显的互相检查参数网格的写法。【设计意图】对应能力目标4、5，是本次课的综合产出。四段顺序与环节四的五步流程同构，学生在项目内第二次遇到同一结构，起到巩固作用；逐项解释最佳参数的业务含义，把抽象数字讲成可解释的结论；与同桌比对输出制造同伴校验，把个人错误在课堂内消化掉，直接落实思政中的求实态度。环节六综合实施：客户流失预测（17分钟）项目教学法演示—实操—巡视同伴互校求实态度：结果可复现结论有依据【教师活动】1.引导学生用三句话小结：①装库前先查依赖，装完立即验证；②八大任务按预处理到评估排成一条链；③网格搜索的候选数是各参数取值数之积，拟合次数是候选数乘折数。2.板书知识框架：安装→八大任务→五步流程→建模调优→结果解读，学生拍照记录。3.课程在线教学平台推送当堂检测5题（sklearn依赖库、