R语言期末复习.docxVIP

1、智慧教学及其评价研究智慧教学：教师与家长、管理者共同设计课程，学生对学习内容、方式（小组学习、自主学习）、测试形式、学习进度、学习路径、评价进行选择，课程符合个体需求，适应个性化发展。课堂中，教学内容并不是一成不变的，教师要随着时代发展，更改教学内容、测试内容，课程内容也可以由学生讨论生成的，让学生从内容的消费者变为创造者。学习资源自适应，全面支持移动泛在学习，既服务于在校学生，又支持社会学习者，支持学分银行。借助网络平台，充分表现社会性、实践性、现实性；采用视真手段，基于真实的课堂、场景、活动、竞赛，将教育与社会实践以新的形式相结合。全面支持学习者的研究和创造。评价：课堂中，通过智慧教室的摄像设备，录制课堂学生的状态，针对视频，用滞后序列分析，分析学生的行为，进行过程性评价。通过学生使用的点阵笔和纸，记录学生思考和学习的过程，进行数据分析评价。在平台中，通过学生访问各个模块的数据，依据学生的认知风格的不同，进行个性化评价，过程性评价与总结性评价相结合。2、回归定义：回归是研究一个因变量与一组自变量之间的关系。即用一个或多个预测变量（自变量或解释变量）预测响应变量（因变量）的方法。回归分析可以生成一个等式，通过解释变量来预刚响应变量。思想：根据自变量的值预测因变量的均值回归诊断：线性：拟合值与残差图，分布在y=0的上下，对称分布，比较好正态性：如果满足正态假设，那么图上的点应该落在呈45度的直线上，否则违反正态分布。同方差性：在水平线上随机分布，则满足同方差性残差与杠杆图：寻找以下三种类型点离群点：y轴距离较远的点杠杆点：x轴距离较远的点强影响点：去掉之后系数变动很大的点异常点的改进办法：删除观测点变量变换添加或删除变量使用其他回归方法回归数据分析Residuals（残差）对残差求一下最大值和最小值Coefficients系数Intercept截距RunSize斜率看一下p值（图中pr的值）有三个*，代表显著（比较好）Residual standard标准差（越小越好）（自由度，样本数-参数 = 自由度）Multiple R-squared代表R平方（越趋向于1越好）Adjusted R-squared调整的R平方值（考虑自由度）F-statistic（F检验）对整个式子进行检验p-value: 1.615e-06小于0.05代表显著T检验用来检验各个参数的显著性F检验用来检验整个回归关系的显著性拟合残差图是抛物线形状，那么需要二次项在p0.001水平下，回归系数都非常显著。模型的方差结实率已经增加到了99.9%。二次项的显著性(t=13.89, p0.001)表明包含二次项提高了模型的拟合度。逻辑斯蒂回归Y=1就是这个式子，y=0是1减去这个式子这个式子计算Y取1的概率，式子结果0.5取1，反之，取0训练集，训练一个模型测试集，测试训练集的模型glm（）广义线性模型model - glm(formula = churn ~ ., data =train, family = binomial)summary(model)因变量churn，自变量 . ，表示所有自变量3、聚类思想：聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。流程：数据要满足：高类聚，低耦合欧拉距离（两点之间）曼哈顿距离（每一维度）明考斯基距离划分聚类：聚类算法 k-means不存在三个中心点选距离作为数据样本间相似性度量选择评价聚类性能的准则函数组间聚类越大，聚类越好K-中心点聚类存在的三个中心点层次聚类group_k3=cutree(fit_hc,k=3)分成3类str(as.dendrogram(fit_hc))文本的形式打印这棵树sapply(unique(group_k3),function(g)countries$country[group_k3==g]) 查看k=3的聚类结果中各类别样本4、关联规则思想：关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。流程：关联规则可以用两个指标来判定：支持度与可信度支持度：X商品交易量/总的交易量可信度：同时包含X、Y的交易量/包含X的交易量提升度：XY可信度/Y支持度（1比较好）只有支持度和可信度较高的关联规则才是用户感兴趣的。关联规则挖掘主要有两个问题：找出交易数据库中所有大于或等于用户指定的最小支持度的频繁项集。（支持度不小于最小支持阈值的项集称为频繁集）利用频繁项集生成所需要的关联规则，根据用户设定的最小可信度筛选出强关联规则。关联规则的操作过程：先计算出支持度与可信度，然后运用apriori函数apriori关联算法函数调用groceryrules = apriori(groceries, parameter=l