第9课“机器学习”-教学设计（表格式）-2025-2026学年九年级全册《信息科技》（西师大版）

九年级全册第 9 课“机器学习”教学设计
年级 九年级 单元/主题 第 3 单元 揭秘人工智能
课名 第 9 课 机器学习
一、教学建议
教学时长建议 3 课时
教学目标 本课的主要教学目标： 1.了解机器学习的原理与一般过程。 2.掌握分类算法中的 K 最近邻算法。
教学设计建议 教学设计建议如下： 1. 教师可以类比人类学习和机器学习的过程，使得学生能清楚机器学习的流程，让学生能知道数据和模型对机器学习的意义。 2. 通过食堂满意度的分类案例，让同学们使用KNN 算法，体会机器学习中的分类思想。
教学方法建议 在学习引入方面，教师通过微课、案例、视频等形式展现机器学习对人类人类生活的影响。激发学习者对机器学习的探索欲。 在新知学习方面，教师类比机器学习和人类学习，让学生理解机器学习就是通过多种算法来训练模型，并用这些模型对新问题进行识别与预测。教师通过“近朱者赤，近墨者黑 ”，让学习者能理解 KNN 算法的思想。让学习者能清楚的知道一个新的数据应该如何在数据中进行分类。 在“项目探究 ”方面，教师通过食堂满意度的分类案例，用 KNN 算法实现食堂满意度的分类。同时引导学生调整不同的近邻数，观察到分类结果的变化。
二、补充知识
对应教材内容（对教材中何处内容的补充） 知识内容 二、项目探究
补充内容 机器学习的分类算法除了KNN 算法还有很多。比如决策树，随机森林，svm 。很多算法在使用中暂时不用对原理细节都十分清楚，但是使用 sklearn 可以很简单的进行实践。以下代码是使用其他算法进行分类的例子，其中数据集使用的是 sklearn 自带的鸢尾花数据集，同时使用了80%的数据作为训练集，20%的数据作为测试集。 from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # 加载数据集 iris = datasets.load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建 SVM 分类器 svm_model = SVC(kernel='linear', C=1, gamma='auto') # 创建决策树分类器 dt_model = DecisionTreeClassifier() # 创建随机森林分类器 rf_model = RandomForestClassifier(n_estimators=100, random_state=42) # 在训练集上训练模型 svm_model.fit(X_train, y_train) dt_model.fit(X_train, y_train) rf_model.fit(X_train, y_train) # 在测试集上进行预测 svm_pred = svm_model.predict(X_test) dt_pred = dt_model.predict(X_test) rf_pred = rf_model.predict(X_test) # 计算准确率 svm_accuracy = accuracy_score(y_test, svm_pred) dt_accuracy = accuracy_score(y_test, dt_pred) rf_accuracy = accuracy_score(y_test, rf_pred) print("SVM 模型的准确率：", svm_accuracy)
print("决策树模型的准确率：", dt_accuracy) print("随机森林模型的准确率：", rf_accuracy)
补充知识来源（提供网站链接或按参考文献格式提供） 无
三、对应需要的软件、硬件说明
对应教材内容（对教材中何处内容使用软件、硬件） 无
软件名称（最好提供开源软件） 无
基本功能说明 无
硬件名称（选择 性价比高、中小学能用得起的） 无
基本功能说明 无
四、项目探究解答参考
探究项目：食堂满意度分类 无
五、操作练习答案
一、操作练习 1.A； 2.略。