基于成果導向教育的分類器實驗教學設計探索

昝風彪， 陳 達， 劉 昕， 孟 軒

（青海民族大學a.計算機學院；b.物理與電子信息工程學院，西寧 810007）

0 引 言

如何進行基于Python 語言的分類器的教學實驗改革，如演示—實操—討論教學［1］、“成果導向教育（OBE）［2］”“翻轉課堂［3］”“rain 課堂［4］”等教學互動學習方式。或者將其進行融合，并形成混合互動學習模式，這些方式都取得了不同程度的進展。

OBE理念的教學設計和實驗仿真都是以學生在教學過程中獲得的學習成果為目標的［5］，并且OBE概念在課程教學改革和質量保障體系建設中得到了廣泛體現。根據OBE的反向設計理念，首先定義最終的學習效果，再根據學生的學習情況進行針對性的定制教學內容，并根據反饋結果及時調整教學方式。

分類器（Classifier）是機器學習的重要組成部分，在許多領域中得到廣泛應用，如計算機視覺、自然語言處理、生物信息學和金融等。它通常被用于監督學習［6］、機器學習［7］和圖像識別［8］。它是一種用于對數據進行分類的算法或模型。分類器主要用于分類的訓練和預測階段。在訓練階段，分類器接收輸入的數據特征，并將其映射到預定義的類別或標簽上。在預測階段，分類器使用學習到的模型對新數據進行分類，從而預測其所屬的類別。

本文構建于基于OBE的教學培養模式，激發學生主動學習，培養學生的科學思維和創新意識。設計了基于OBE理念的分類器仿真教學實驗流程的探索；其中包括課程開始前的準備，題型案例的設立，師生間的互動，以及最后的結課實驗。結課實驗，學生使用Python編譯器對模擬決策邊界分類器［9］的環境進行布置，并進行可視化的處理。通過將分類結果分為0（負類）與1（正類），對分類器的分界線和預測結果進行理解。

1 OBE理論的仿真教學實驗流程

1.1 OBE教學實驗設計模型

基于分類器的OBE教學模式的核心在于“學生參與學習的自覺性”［10］。在關注學生學習需求的同時，強調教學效果的及時反饋。當前，OBE 教學模式將教學過程分為4 個階段。圖1 列出了BOPPPS 教學中每個階段的若干主要任務及所有學生在課程結束后根據評測在各個階段可獲得的分值比例［11］。

圖1 BOPPPS基于分類器教學實驗安排

BOPPPS教學理論分為基礎、目標、評估、參與度、實驗、總結6 個步驟，提供了一個全面的教學框架，通過實際需求幫助教師設計課程并確保學生的參與度與知識的理解。

1.2 課程準備

（1）學生進行課前預習，讓學生上課時帶著問題進行學習。

（2）學生整理一些Python 編譯器源碼的小游戲，并嘗試改動這些代碼的屬性，以提升學生的學習興趣和效率。

圖2 給出了學生應該預習的編碼知識［12］。

圖2 Python中應該預習的必備編碼知識

1.3 教學開始

（1）測試。對所有學生進行一個紙質的課前測試，測試每個學生對分類器、編譯器的熟練程度。這樣做的目的是為了對每個學生的基礎知識進行了解并提出不同的教學方式。

首先，預測案例分為簡單和困難兩種題型案例，由學生根據自己的知識水平進行選擇，這兩種測試案例如表1、2 所示。

表1 分類器簡單案例

表2 分類器困難案例

設計該課前測試的目的首先是可以準確地評估每個學生的知識水平，其次通過這個測試，可以讓學生們知道自己與其他同學之間的水平差異，以便能夠更好地提升自己，最后能夠讓教師根據每個學生不同的情況設置合理的教學計劃。

1.3 師生之間的互動參與式課堂

為更好地提升師生之間課堂計劃完成效率，在課堂的各個不同階段教師與學生應該有屬于自己不同進度的任務安排，并加強雙方之間的互動聯系。互動式 課堂［15］的流程由表3 所示。

2 結課實驗

為評測學生對分類器概念與Python 語言的理解幅度與運用程度，通過布置一道編程實驗，對不同學生的理解程度進行評分。

2.1 實驗題目

利用Python 編譯器對模擬決策邊界分類器的環境進行編譯，并進行可視化的處理。通過將分類結果分為0（負類）與1（正類），對分類器的邊界線和預測結果進行理解。

2.2 評測分值標準

為更好地對所有學生教學效果進行評定，將其教學點分為若干處進行分值評定。分值標準如圖3所示。

圖3 分值評定標準

2.3 實驗環境

算法仿真的訓練及測試階段皆是在Python 3.9 環境中實現。實驗環境的配置參數由表4 所示。

表4 實驗環境配置

2.4 實驗數據集及分類器模型

實驗數據先使用make＿classi-fication 函數生成了一個2 類、2 維特征的分類數據集，然后引用一個Logistic回歸構建二元分類模型［16］，并使用可視化圖像展示決策邊界。

2.5 實驗仿真

決策邊界分類器可視化偽代碼。

算法 決策邊界分類器可視化算法。

1.導入numpy、pyplot庫、make＿classification 函數、LogisticRegression 類；

2.從make＿classification 中將特征向量與目標數據分別賦給x，y變量；

3.用Logistic 構建回歸分類器并用fit 方法進行擬合；

4.定義橫坐標軸ax.set＿xlim 范圍為（－4，4），縱坐標軸ax.set＿ylim范圍為（－4，4）；

5.通過numpy庫函數meshgrid 的調用，生成二維的網格點坐標矩陣；

6.np.linspace（－4，4，100）生成了一個等差數列，包含了－4 ～4 之間的100 個均勻分布點，作為x軸坐標，np.linspace（－4，4，100）同理，生成100 個均勻分布點作為y軸坐標；

7.使用show函數展示圖像；

8.end.

以下我們使用Python 編譯器對決策邊界分類器的正類1 與負類0 進行可視化的展示，如圖4 所示。

圖4 基于決策邊界分類器的展示圖

由圖4 所示，在兩面分別為淺藍色和鮮紅色幕布下，分別看到深藍色和深紅色的圓形球體分別布置在條形邊界線的兩端，它們表示分類結果為1（正類）和0（負類）的數據集。由此，成功地將make ＿classification的數據根據各自的特征分成兩部分。

3 結 語

本文首先利用OBE 教學理念的方式，對學生從分類器與Python語言的學習興趣方面制定教學計劃，然后分別對教師和學生在課堂上的參與度，互動度上進行有益調整，以實現最大限度的教學效果對學生進行培養，使學生們能夠不僅在學習知識上得到成長，也對課堂不產生排斥感。本研究對OBE 教學理念上的認識不完善，后續仍然有許多可改進的研究空間，比如可以從加強教師的職業培訓度以更好的對學生進行培養等等。