九年级信息科技浙教版（2023）第11课 预测模型构建.pptxVIP

第11课预测模型构建浙教版九年级上册

教学目标实践意识：培养学生主动收集和整理数据集的能力，了解数据来源和选择的重要性。教授学生如何筛选、清洗和预处理数据，为建立预测模型做好数据准备。引导学生学习如何使用表格数据建立预测模型，并理解不同预测模型的优缺点。通过案例分析和实际操作，让学生体验从数据到模型的过程，培养其实践操作能力。

教学目标社会责任：引导学生探讨人工智能预测技术的伦理问题，如数据隐私、算法偏见等。强调在使用智能预测技术时，要尊重用户隐私和数据安全。讨论智能预测技术可能带来的好处，如提高出行效率、减少拥堵等，以及潜在的问题，如过度依赖技术、信息误导等。鼓励学生参与相关的社会项目或志愿活动，将所学的智能预测技术应用于实际问题解决中。

新知导入上节课我们了解了预测的概念，也知道了人工智能预测的应用。今天，我们来学习如何构建预测模型。首先，我们通过一个Excel的教学视频了解以下如何使用Excel完成销售成绩的预测吧！

新知导入

新知导入你是如何根据一些环境数据(雨量、温度、距离等)制订出行计划的?你觉得人工智能能帮忙做哪些预测?

新知导入我们熟悉的语音识别和图像识别在应用中存在以下安全隐患：当根据环境数据如雨量、温度、距离等制订出行计划时，可以遵循以下步骤01数据收集02数据分析03行程规划04备选方案制定05实时调整

新知导入我们熟悉的语音识别和图像识别在应用中存在以下安全隐患：人工智能在许多领域都能进行预测，包括但不限于以下几个方面：0203·04医疗预测交通预测人口预测0105自然灾害预测市场营销预测

新知讲解相关知识预测预测模型雨量(0-6)温度(摄氏度)距离(千米)出行方式0201063023420500402010005

新知讲解智能预测出行是利用机器学习等技术，对出行行为进行预测和规划。通过收集雨量、温度和距离等数据，整理成数据集，再利用机器学习对这些数据进行训练，建立预测模型，用于预测出行方式或出行时间。

新知讲解构建数据集可以先确定数据采集方式、数据格式、数据范围、采样频率等信息，再标注、存储和管理数据。最终得到的数据集可以用于各种数据分析和机器学习任务。对已采集整理的数据进行量化，如雨量由小到大，可以用0-6之间的数字表示，0为晴天，6为特大暴雨;温度就采用摄氏温度值出行距离就用距离值即可。出行方式可以列出几种:步行、自行车、自驾出租车、火车、飞机，依次用0、1、2、3、4、5来表示，如表12-1。雨量温度、出行距离为影响因素，输出的是实际出行方式。一、构建数据集

新知讲解一、构建数据集表12-1出行数据集雨量(0-6)温度(摄氏度)距离(千米)出行方式0201063023420500402010005人们通过经验总结出了规律:综合考虑雨量、温度、出行距离，可以预测出合理的出行方式。

亲身体验设计调研问卷，对收集到的有关出行数据进行数据预处理，使用合适工具，初步建构数据集。

新知讲解将数据集导人已构建的神经网络模型，网络优化参数得到训练后的模型模型读人新的样本特征数据，输出出行方式。二、神经网络分类模型

新知讲解

准备数据:采集大量“特征/标签”数据

搭建网络:搭建神经网络结构

优化参数:训练网络获取最佳参数

应用网络:将网络保存为模型，输入新数据，输出分类或预测结果二、神经网络分类模型图12-1神经网络训练模型

新知讲解我们按照上面的方式收集好样本数据后，进行训练，训练结束后，就可以对出行方式进行预测了。我们可以输入一个(雨量、温度、距离)的数值，返回一个出行方式的预测结果，每种出行方式有一个置信度比例。二、神经网络分类模型

日积月累表格数据预测模型，根据预测数据的不同，可以分为如下几种类型:回归，二分类，多分类，

新知讲解三、人工智能预测出行时间使用电子地图查询你要去的地点的时候，它会告诉你采用不同的交通方式所需要的时间。那么它是怎么做到的呢?又有多准确呢?其实通过人工智能我们也可以自己做一个这样的出行时间预测。跟上面的案例一样，通过人工智能进行预测，也要采集样本数据进行训练。很关键的一点就是要确定好影响因子有哪些。

新知讲解三、人工智能预测出行时间对于预测出行时间来说，影响因子一般有:日期、时间、出行方式、天气、路况等。比如同样是从公司打车回家，工作日跟周末，早上和晚上，晴天和雨天所用的时间都不一样。对影响因子进行合理的分析量化后，就可以去采集样本数据进行训练并预测了。

随堂练习智能预测出行的实现过程包括哪些步骤?

随堂练习智能预测出行的实现过程涉及数据收集、预处理、特征提取、模型选择与训练、模型评估与优化、实时预测以及结果输出与反馈等多个步骤。这些步骤共同构成了智能预测出行的完整流程。

拓展延伸想象一下，你有一个智能预测小助手，它可以根据你过去的行为来预测你未来的需求，并提前为