基于成果导向教育的分类器实验教学设计探索

昝风彪， 陈 达， 刘 昕， 孟 轩

（青海民族大学a.计算机学院；b.物理与电子信息工程学院，西宁 810007）

0 引 言

如何进行基于Python 语言的分类器的教学实验改革，如演示—实操—讨论教学［1］、“成果导向教育（OBE）［2］”“翻转课堂［3］”“rain 课堂［4］”等教学互动学习方式。或者将其进行融合，并形成混合互动学习模式，这些方式都取得了不同程度的进展。

OBE理念的教学设计和实验仿真都是以学生在教学过程中获得的学习成果为目标的［5］，并且OBE概念在课程教学改革和质量保障体系建设中得到了广泛体现。根据OBE的反向设计理念，首先定义最终的学习效果，再根据学生的学习情况进行针对性的定制教学内容，并根据反馈结果及时调整教学方式。

分类器（Classifier）是机器学习的重要组成部分，在许多领域中得到广泛应用，如计算机视觉、自然语言处理、生物信息学和金融等。它通常被用于监督学习［6］、机器学习［7］和图像识别［8］。它是一种用于对数据进行分类的算法或模型。分类器主要用于分类的训练和预测阶段。在训练阶段，分类器接收输入的数据特征，并将其映射到预定义的类别或标签上。在预测阶段，分类器使用学习到的模型对新数据进行分类，从而预测其所属的类别。

本文构建于基于OBE的教学培养模式，激发学生主动学习，培养学生的科学思维和创新意识。设计了基于OBE理念的分类器仿真教学实验流程的探索；其中包括课程开始前的准备，题型案例的设立，师生间的互动，以及最后的结课实验。结课实验，学生使用Python编译器对模拟决策边界分类器［9］的环境进行布置，并进行可视化的处理。通过将分类结果分为0（负类）与1（正类），对分类器的分界线和预测结果进行理解。

1 OBE理论的仿真教学实验流程

1.1 OBE教学实验设计模型

基于分类器的OBE教学模式的核心在于“学生参与学习的自觉性”［10］。在关注学生学习需求的同时，强调教学效果的及时反馈。当前，OBE 教学模式将教学过程分为4 个阶段。图1 列出了BOPPPS 教学中每个阶段的若干主要任务及所有学生在课程结束后根据评测在各个阶段可获得的分值比例［11］。

图1 BOPPPS基于分类器教学实验安排

BOPPPS教学理论分为基础、目标、评估、参与度、实验、总结6 个步骤，提供了一个全面的教学框架，通过实际需求帮助教师设计课程并确保学生的参与度与知识的理解。

1.2 课程准备

（1）学生进行课前预习，让学生上课时带着问题进行学习。

（2）学生整理一些Python 编译器源码的小游戏，并尝试改动这些代码的属性，以提升学生的学习兴趣和效率。

图2 给出了学生应该预习的编码知识［12］。

图2 Python中应该预习的必备编码知识

1.3 教学开始

（1）测试。对所有学生进行一个纸质的课前测试，测试每个学生对分类器、编译器的熟练程度。这样做的目的是为了对每个学生的基础知识进行了解并提出不同的教学方式。

首先，预测案例分为简单和困难两种题型案例，由学生根据自己的知识水平进行选择，这两种测试案例如表1、2 所示。

表1 分类器简单案例

表2 分类器困难案例

设计该课前测试的目的首先是可以准确地评估每个学生的知识水平，其次通过这个测试，可以让学生们知道自己与其他同学之间的水平差异，以便能够更好地提升自己，最后能够让教师根据每个学生不同的情况设置合理的教学计划。

1.3 师生之间的互动参与式课堂

为更好地提升师生之间课堂计划完成效率，在课堂的各个不同阶段教师与学生应该有属于自己不同进度的任务安排，并加强双方之间的互动联系。互动式 课堂［15］的流程由表3 所示。

2 结课实验

为评测学生对分类器概念与Python 语言的理解幅度与运用程度，通过布置一道编程实验，对不同学生的理解程度进行评分。

2.1 实验题目

利用Python 编译器对模拟决策边界分类器的环境进行编译，并进行可视化的处理。通过将分类结果分为0（负类）与1（正类），对分类器的边界线和预测结果进行理解。

2.2 评测分值标准

为更好地对所有学生教学效果进行评定，将其教学点分为若干处进行分值评定。分值标准如图3所示。

图3 分值评定标准

2.3 实验环境

算法仿真的训练及测试阶段皆是在Python 3.9 环境中实现。实验环境的配置参数由表4 所示。

表4 实验环境配置

2.4 实验数据集及分类器模型

实验数据先使用make＿classi-fication 函数生成了一个2 类、2 维特征的分类数据集，然后引用一个Logistic回归构建二元分类模型［16］，并使用可视化图像展示决策边界。

2.5 实验仿真

决策边界分类器可视化伪代码。

算法 决策边界分类器可视化算法。

1.导入numpy、pyplot库、make＿classification 函数、LogisticRegression 类；

2.从make＿classification 中将特征向量与目标数据分别赋给x，y变量；

3.用Logistic 构建回归分类器并用fit 方法进行拟合；

4.定义横坐标轴ax.set＿xlim 范围为（－4，4），纵坐标轴ax.set＿ylim范围为（－4，4）；

5.通过numpy库函数meshgrid 的调用，生成二维的网格点坐标矩阵；

6.np.linspace（－4，4，100）生成了一个等差数列，包含了－4 ～4 之间的100 个均匀分布点，作为x轴坐标，np.linspace（－4，4，100）同理，生成100 个均匀分布点作为y轴坐标；

7.使用show函数展示图像；

8.end.

以下我们使用Python 编译器对决策边界分类器的正类1 与负类0 进行可视化的展示，如图4 所示。

图4 基于决策边界分类器的展示图

由图4 所示，在两面分别为浅蓝色和鲜红色幕布下，分别看到深蓝色和深红色的圆形球体分别布置在条形边界线的两端，它们表示分类结果为1（正类）和0（负类）的数据集。由此，成功地将make ＿classification的数据根据各自的特征分成两部分。

3 结 语

本文首先利用OBE 教学理念的方式，对学生从分类器与Python语言的学习兴趣方面制定教学计划，然后分别对教师和学生在课堂上的参与度，互动度上进行有益调整，以实现最大限度的教学效果对学生进行培养，使学生们能够不仅在学习知识上得到成长，也对课堂不产生排斥感。本研究对OBE 教学理念上的认识不完善，后续仍然有许多可改进的研究空间，比如可以从加强教师的职业培训度以更好的对学生进行培养等等。