第13课《机器学习算法初步(1) K-Means算法》 课件 粤教版信息技术九年级.pptx

《第十三课机器学习算法初步(1)—K-Means算法》粤教版信息技术九年级

内容总览目录05拓展延伸07板书设计课堂总结06K-Means算法的应用04K-Means算法03教学目标01新知导入02

教学目标1、信息意识：能够识别K-Means算法在数据聚类和模式识别方面的重要性，并了解其在实际生活中的应用。2、计算思维：能够对分群和聚类问题的理解，寻找问题解决方案，提出假设并构建算法解决问题的能力。3、数字化学习与创新：能够学会使用K-Means算法处理现实数据集，发现数据中的隐藏模式和规律。4、信息社会责任：在使用K-Means算法时能遵循道德规范和法律要求。

新知导入K-Means算法导入视频

03、K-Means算法

新知讲解K-Means算法是发现给定数据集的h个簇的算法。簇个数h是用户给定的，每个簇通过其质心(Centroid)，即簇中所有点的中心来描述。K-Means算法工作时，首先随机确定k个初始点作为质心;接着将数据集中的每个点分配到一个簇中，即为每个点找距其最近的质心，并将其分配给该质心所对应的簇:然后把每个簇的质心更新为该簇所有点的平均值。上述流程可用如下伪代码表示:

新知讲解上面提到的距离计算方法D(XC)可以使用任何合适的距离度量方法。K-Means算法在数据集上的性能会受到所选距离计算的影响。

04、K-Means算法的应用

新知讲解K-Means算法通常可以用于处理维数、数值都很小且连续的数据集，主要应用于从随机分布的事物集合中对相似事物进行分组。例如，对一个营销组织来说，将不同客户根据他们的特点分组，从而有针对性地定制营销活动;对学校老师来说，将学生根据特点分组，从而有所侧重地进行教育活动。K-Means在不同领域都有类似的应用案例。

新知讲解鸢尾花数据集(Iris是一类多重变量分析的数据集。它最初是从尾属花朵样本中提取的地理变异数据，后来作为判别分析的一个例子，运用到统计学中。

新知讲解鸢尾花数据集包含150组数据，分为三类，包含山鸢尾(IrisSetosa)、变色尾(IrisVersicolor)和维吉尼亚尾(IrisVirginica)，如图13-1(a)所示。每类50组数据，除花卉种类信息以外，每组数据还包含四个属性，分别是花萼长度(sepallength，单位cm)、花萼宽度(sepalwidth，单位cm)、花瓣长度(petallength，单位cm)、花瓣宽度(petalwidth，单位cm)。可通过四个属性预测鸢尾花属于三个种类中的哪一类。在如图13-1(b)所示的特征空间中，紫色的种类与其余两个种类可通过一个空间中的平面分隔区分，而另外的两个种类则难以通过一个分类面来区分。

小组讨论结合K-Means算法的应用例子，填写表13-1序号应用场景特点1K-Means算法是什么K-Means算法的目标是最小化集群内部的平方距离之和，同时最大化不同集群之间的距离。这一过程使得数据点被分配到与其最相似的集群中，并且各个集群之间的差异被最大化。2K-Means算法的应用有哪些生物信息学：在基因组学和蛋白质组学研究中，K-Means算法可用于对基因表达数据进行聚类分析，以发现潜在的基因模式或蛋白质功能。

反思评价学而不思则罔，思而不学则殆。对自己在本课中的学习进行评价，对照表13-2，在相应的O里画“√”，在“其他收获”栏里留言。序号学习内容能否掌握1知道K-Means算法的概念能√不能O2了解K-Means算法的应用能√不能O其他收获:帮助我们更好地理解K-Means算法在实际应用中的限制和适用范围。

05、知识拓展

知识拓展1、K-Means算法详细介绍。

知识拓展2、K-Means算法实现聚类分析。

知识拓展3、K-Means算法在生活中有哪些应用？（1）图像压缩：通过使用K-Means算法对图像中的像素进行聚类，可以实现图像的压缩，减少存储空间需求。（2）市场分析：在市场营销和消费者行为分析中，K-Means算法可用于对消费者群体进行聚类，从而识别不同的市场细分。（3）无监督学习：K-Means算法通常用于无监督学习中，即从未被标记、分类或分组的数据中找到隐藏的结构。

知识拓展4、K-Means算法优点？（1）简单且高效：K-Means算法易于理解和实现，计算速度快，适用于大规模数据集。（2）可扩展性：在处理大规模数据时，K-Means算法效果良好，能够处理较大规模的数据集。（3）对处理离群值较为鲁棒：K-Means算法对离群值的影响较小，因为离群值对聚类中心的影响会被平均化。

06、课堂总结

课堂总结通过机器学习算