大数据技术及应用教学课件第10章其他行业大数据应用.pptx

;;;;案例-电影推荐;推荐模型设计思绪;数据集下载地址为/datasets/movielens/，下载的数据集名称为ratings.csv。 ;2、数据预处理;3、算法分析;3、算法分析;4、提取关联规则;5、算法评估;教育行业大数据应用;教育大数据概述;教育大数据概述;教育大数据概述;教育大数据应用现状;教育大数据应用现状;教育大数据应用现状;(3) 重构教育评价体系 大数据技术增进老式的基于经验的单一评价向基于数据的综合评价转变。 教育评价将不再依赖于主观的经验判断，而是经过数据分析，发觉教学活动的规律，并依此对教师和学生的行为体现进行评价。 大数据技术丰富了教学评价的内容、措施与渠道，推动评价主体和评价方式向着多元化、多样化的方向发展。;(4) 发展个性化学习 在老式教育模式下，教师缺乏高水平技术等配套条件的支持，难以实现一对一的个性化差别教育。 基于大数据技术的多种智能化学习平台，能够精确统计每位顾客使用学习资源的过程细节。 学习者能够对自己某一段时期内的学习情况（涉及学习爱好、业余活动等非构造化的学习行为）进行分析和预测。;案例-在线学习效果预测;1、数据集简介;章节测验表共7张，分别统计学生参加课程7个章节在线测验的成果。以第6章为例，表中共有829条统计，每条统计涉及5个特征。;2、数据预处理;3、数据特征分析;(2) 行为特征分析 行为特征涉及论坛发帖次数、章节测验成绩等。学生参加在线讨论的频度与课程成绩之间的关系如图所示。;3、数据特征分析;各章测验参加人数及平均答题次数统计 ;4、建模与评价;4、建模与评价; 将数据集按照7:3的百分比分为训练集和测试集两部分，训练时参数class_weight设置为None，即合格与不合格两种类别的权重值均为1。经过测试集来检验它的预测效果，得到精确率、精确率、召回率和F1分数值的计算成果如图所示。; 进一步对正例（不合格）与反例（合格）的有关指标进行分析，可得到： 分析：正例的各项性能指标都比反例差，所以造成模型整体召回率偏低的主要原因是正例的预测成果不够精确。正例的召回率偏低意味着模型将成绩不合格的学生错误预测为合格的百分???较高，而这种错误比将成绩合格的学生预测为不合格的影响更为严重。; 对正例和反例赋予不同的权重，即将参数class_weight的值设置为“balanced”，此时得到的混同矩阵如表所示。 分析：将正例预测为反例的数量明显下降，所付出的代价是增长了反例预测错误的数量。;模型的ROC曲线;医疗行业大数据应用;;医疗大数据特征;;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;案例-冠心病发病风险预测及影响原因分析;习 题;习 题