K近邻学习教案

《机器学习》课程教案

授课题目	K近邻学习		教具准备	《机器学习》教材 配套PPT
授课日期	2022年3月16日第一周		课时安排	2学时
教学目的与要求	通过学习本课程，学生需要了解KNN算法的基本原理、算法流程以及算法特点（优缺点）。根据KNN算法存在的不足，如何对算法进行改进。重点掌握KNN算法的代码参数的理解与操作。
教学重点难点	教学重点：     KNN算法中K值的确定；     KNN算法的改进策略；     KNN算法的应用。 难点：     KNN算法的改进策略；     KNN算法的应用。
教学设计与时间安排					方法及手段
一、【复习提问】 1. 回归问题的概念以及主要工作是什么？(答：回归问题主要是研究两种现象之间的定量关系。通过对已有的数据进行拟合，得出函数，并对未来的数据进行预测。) 2. 交叉验证的具体做法？(答：将样本数据按照一定比例，拆分出训练用的数据和验证用的数据，比如6：4拆分出部分训练数据和验证数据。其中训练集用来训练模型，验证集用来评估模型。） 二、【导入】 机器学习除了回归问题，还会研究一种常见的问题：分类。我们今天就一起来学习一种分类算法K近邻学习。 三、【新课内容及实践】 1.介绍KNN算法的概念： K最近邻(kNN，K-NearestNeighbor)分类算法K代表的就是K个最近邻居的意思，其中每个样本都可以用它最接近的K个邻居来代表。 2.KNN算法的步骤：我们知道了什么是KNN算法，那KNN算法的具体步骤是怎样的呢？ (1)计算未知样本与每个已知样本特征之间的距离。 (2)将距离进行排序。 (3)选取合适的K值，找出距离中前K个最小值所对应的已知样本。 (4)根据少数服从多数的原则，对新样本的类别进行预测。 3.KNN算法中K值的确定：通过刚才的学习，我们知道K值对算法的好坏起着至关重要的作用。那如何确定一个合适的K值呢？目前最常用的方式是通过交叉验证的方法，对K值进行反复调试。（重点） 4.KNN算法的特点：结合我们刚才所学，总结一下KNN算法有哪些特点呢？或者说它的优缺点有哪些？ 5.KNN算法的改进策略：为了弥补KNN算法的不足，学者从不同角度分别提出了改进的方向。我们一起来看一下。（重点） 6.KNN算法的代码应用：最后，我们一起来做一个实际应用，对鸢尾花数据集进行KNN分类，来具体实现代码的操作。 四、【课内小结】 今天这节课，我们知道了KNN算法在分类问题中的应用。首先我们了解了KNN算法的原理和具体步骤。还学习了如何改进KNN算法，最后，我们成功应用python代码实现了KNN分类问题。					利用多媒体和板书的方式，让同学们可以更好的理解课程。
作业与预习布置		完成本节课的所有课后题，上交python代码； 预习下一课。