教案运用大数据分析Kmeans算法实战.pdf

课名： 《大数据平台应用》 教师： 班级： 编写时间： 课题：项目 6 分析大数据 第 2 部分 运用大数据分析 Kmeans 算法实战 课次：第 19 次 教学目标及要求： （1）任务 1 安装 Scikit Learn 库（掌握） （2 ）任务 2 解析 KMeans 算法（掌握） （3 ）任务 3 运用 KMeans 算法实战（熟练掌握） 教学重点： （1）任务 2 解析 KMeans 算法（掌握） （2 ）任务 3 运用 KMeans 算法实战（熟练掌握） 教学难点： （1）任务 2 解析 KMeans 算法（掌握） （2 ）任务 3 运用 KMeans 算法实战（熟练掌握） 思政主题： 教学步骤及内容 ： 旁批栏： 1.课程引入 2.本次课学习内容、重难点及学习要求介绍 （1）任务 1 安装 Scikit Learn 库（掌握） （2）任务 2 解析 KMeans 算法（掌握） （3）任务 3 运用 KMeans 算法实战（熟练掌握） 3.本次课的教学内容 （1）任务 1 安装 Scikit Learn 库（掌握） Scikit-learn 是 Python 的一个开源机器学习模块， 它建立在 NumPy，SciPy 和 matplotlib 模块之上能够为用户提供各种机器学习算法接口，可以让用户 简单、高效地进行数据挖掘和数据分析。 分类是指识别给定对象的所属类别， 属于监督学习的范畴， 最常见的应 用场景包括垃圾邮件检测和图像识别等。目前 Scikit-learn 已经实现的算法 - 1 - 包括支持向量机（ SVM ）、K-近邻、逻辑回归、随机森林、决策树及多层 感知器（ MLP ）神经网络等。 回归是指预测与给定对象相关联的连续值属性， 最常见的应用场景包括 预测药物反应和预测股票价格等。 目前 Scikit-learn 已经实现的算法包括支 持向量回归（ SVR ）、脊回归、 Lasso 回归、弹性网络（ Elastic Net）、最小 角回归（ LARS ）、贝叶斯回归及各种不同的鲁棒回归算法等。 聚类是指自动识别具有相似属性的给定对象， 并将其分组为集合， 属于 无监督学习的范畴，最常见的应用场景包括顾客细分和试验结果分组。 目 前 Scikit-learn 已经实现的算法包括 K-均值聚类、谱聚类、均值偏移、分层 聚类、 DBSCAN 聚类等。 数据降维是指使用主成分分析（ PCA）、非负矩阵分解（ NMF ）或特征 选择等降维技术来减少要考虑的随机变量的个数， 其主要应用场景包括可视 化处理和效率提升。 模型选择是指对于给定参数和模型的比较、 验证和选择， 其主要目的是 通过参数调整来提升精度。目前 Scikit-learn 实现的模块包括格点有哪些信誉好的足球投注网站、交 叉验证和各种针对预测误差评估的度量函数。 数据预处理是指数据的特征提取和归一化， 是机器学习过程中的第一个 也是最重要的环节。 这里归一化是指将输入数据转换为具有零均值和单位权 方差的新变量， 但因为大多数时候都做不到精确到零， 因此会设置一个可接 受的范围，一般都要求范围为 0~1。而特征提取是指将文本或图像数据转换 为可用于机器学习的数字变量。