第8课“回归算法”-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 8 课“回归算法”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 8 课 回归算法
一、教学建议
教学时长建议 2 课时
教学目标 本课的主要教学目标： 1.了解人工智能的预测方法。 2.能够使用回归算法预测考试成绩。
教学设计建议 教学设计建议如下： 通过对回归数据进行举例，使同学们能区分什么样的数据可以使用回归算法来进行分析。重点是让学生学会机器学习的流程，知道数据对于机器学习的重要性。
教学方法建议 在学习引入方面，教师可以注重介绍离散型的数据目标。例如成绩，是 60，61，70 这种形式，体重也是离散型的。对于这类数据，都可以使用回归算法进行拟合。 在新知学习方面，对于线性回归算法，可以结合一元一次函数的图像进行形象化理解。 在“项目探究 ”方面，如果同学们不清楚 pandas.DataFrame，可以补充介绍相关知识。同时在使用 sklearn 进行回归的时候，需要让同学们清楚特征值和真值，从而能让同学们对特征值进行拟合，得到真值的近似值。
二、补充知识
对应教材内容（对教材中何处内容的补充） 项目探究
补充内容 pandas.DataFrame： pandas 是一个广泛应用于数据分析和处理的 Python 库。其中最重要的组件之一是 pandas.DataFrame ，它提供了一个二维的表格数据结构，类似于电子表格或关系型数据库中的表。 要使用 pandas.DataFrame ，首先需要安装 pandas 包。可以通过以下命令使用 pip 进行安装： pip install pandas 安装完成后，就可以在代码中导入 pandas 并开始使用 DataFrame。 import pandas as pd pandas.DataFrame 可以被看作是由多个列组成的数据结构，每一列可以包含不同的数据类型（如整数、浮点数、字符串等）。可以将 DataFrame
看作是一个二维的数据结构，其中每一行表示数据集中的一个样本，每一列表示一个特征。 下面是一个示例，展示如何创建一个简单的 DataFrame： import pandas as pd # 创建一个字典，包含学生的姓名和年龄信息data = {'姓名': ['张三', '李四', '王五', '赵六'], '年龄': [20, 22, 21, 19]} # 使用字典创建一个 DataFrame df = pd.DataFrame(data) # 打印 DataFrame print(df) 输出结果如下： 姓名 年龄0 张三 20 1 李四 22 2 王五 21 3 赵六 19 在这个示例中，我们使用一个字典来创建一个 DataFrame ，字典的键作为列名，字典的值作为每一列的数据。通过打印 df，我们可以看到一个包含姓名和年龄的简单数据表。 pandas.DataFrame 提供了许多常用的功能，例如数据的读取、筛选、排序、分组和聚合等。它也支持将 DataFrame 导出为不同的文件格式，如 CSV 、Excel 等。通过使用 pandas.DataFrame ，可以更方便地进行数据处理和分析。
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：预测考试成绩 参见教材，项目探究中的程序输出结果。
五、操作练习答案
1.预测人 口 出生率 使用线性回归预测 2023 年出生人口数量的示例代码如下： import pandas as pd data = [ {"年份" :2012,"出生人口" :1635}, {"年份" :2013,"出生人口" :1640}, {"年份" :2014,"出生人口" :1687}, {"年份" :2015,"出生人口" :1655}, {"年份" :2016,"出生人口" :1786}, {"年份" :2017,"出生人口" :1723}, {"年份" :2018,"出生人口" :1523}, {"年份" :2019,"出生人口" :1465}, {"年份" :2020,"出生人口" :1200}, {"年份" :2021,"出生人口" :1062}, {"年份" :2022,"出生人口" :965}, ] data = pd.DataFrame(data) from sklearn.linear_model import LinearRegression X = data[["年份"]] y = data["出生人口"] lr = LinearRegression() lr.fit(X, y) score = lr.score(X,y) print(score) print("预测 2023 年有", int(lr.predict(`2023`) [0]), "万人")
2．举例说明生活中哪些问题可以使用线性回归算法进行预测 对数值型的预测都可以尝试使用回归算法，例如 GDP 随年份变化，跳远距离随训练次数变化。