人工智能基础 课件 3.1~3.4 贫困生判别.pptx

贫困生判别—3.1—问题描述又到了贫困生申报的时间了，以往小明所在的学校都是采用个人书面申请等方式实现对贫困学生的判定与资助，然而随着学生数量的增加以及各类家庭情况的复杂性，使得常规判定方法无法得到令人满意的效果，有没有可能学校通过技术手段来实现贫困生的精确判断呢？—3.2—学习目标知识目标了解分类问题理解逻辑回归原理了解分类模型的评价标准理解分类模型的解释方法—3.3—项目引导3.3.1问题引导根据学生历史消费数据，提取若干特征，比如消费总额、平均值等，尝试手工加权重然后相加，如果得出的分数大于某个数，我们就认为此学生为非贫困生，如果得出的分数小于某个数，我们就认为此学生为贫困生。3.3.1问题引导（1）请根据消费“总额”“平均值”“最大值”“最小值”4个特征设计此模型。说说你为什么这样设计。（2）假设某学生的消费“平均值”较小，你的模型应该判断此学生较可能为贫困生还是非贫困生呢?3.3.2初步分析小明如果拿到了全校学生一段时间内的校园卡消费信息，就可以根据这些信息把学生分为两类，一类是贫困生，一类是非贫困生。3.3.2初步分析类似分类问题，在人工智能领域还有很多例子，比如：（1）莺尾花分类问题：根据花萼和花瓣的长度等数据判断其类别。（2）垃圾邮件过滤器：根据电子邮件的发件人、标题等信息判断其是否为垃圾邮件。（3）肿瘤：根据肿块的形状、边界、生长快慢、质地是否转移等信息判断肿瘤是恶性/良性的。3.3.2初步分析想一想你身边还有其他分类的问题，写一写分类结果都跟哪些特征有关系？—3.4—知识准备这些分类问题的共同点是有一些关于目标的信息数据，需要以这些数据为基础，建立相关数学模型，将目标分成若干种不同的类型。解决这类问题我们可以借助特征实现对结果的判断或者预测。这个过程能用机器进一步优化吗？如果可以的话，你认为机器可以怎么做？不可以的话，为什么？前面的课程中，小明已经学会了使用线性回归的方法来预测食堂的消费情况，并且已经构建了一个线性回归模型，大概找到一条直线可以使大部分的数据都靠近它。在这个例子中，我们想要将数据分为不同种类，可以使用类似方法找到一条使大部分点都靠近的线吗？对于这种分类的问题，我们不可以用线性回归，而是使用逻辑回归方法来解决，具体的我们将在后续小节进行分析。