分类推进总结

“分层教学、分类推进”是一种在集体教学形式下的个别化教学的策略，它容因材施教的思想于班级教学之中。使每个学生在各自的“最近发展区”内学有所获。达到培优与补差互补并举的效果。根据学生的差异，将学生分成若干层次，制定不同的教学目标。通过讲课分层次、分类指导、分层设计问题、课堂练习分层，达到各自的目标。同时采取作业分层、评价分层的方法，激励低层次学生不断进步，使高层次学生有施展自己能力的空间，大量实验证明，分层教学着眼于适应学生的个体差异，促进学生在原有的基础上得到发展，使不同认知水平和特征的学生能够更有效地学习和发展。

一、实施具体办法。

1 、面向全体学生，建立合作学习小组。

建立合作学习小组，就是把班内学生，根据学习成绩、学习能力、性格、同学关系等情况，恰当分组，以小组为单位来完成教学活动和实现教学目标。在分组前对学生按两方面进行分析，（1）以学生平时成绩。（2）以学生的学习态度、意志强弱、智力能力等方面进行观察分析。

2 、教学内容、教学目标分层。

分层教学从“备课、讲课、练习、作业、检测评价”五个方面实施，备课遵循“因材施教，分类达标”的原则，在教学目标上分层；传授知识遵循“低起点，小台阶”的原则，在提问题上分层；课堂训练遵循“由浅入深，螺旋上升”的原则，在达标与提高上分层；作业布置遵循“量力而行，共同提高”的原则，在习题选留上分层。

3、 及时反馈，加强小结，强化达标 。

教学过程分层之后，一系列的辅助措施也应分层考虑，如习题练习的分层次，考试考核分层次，评价学生分层次??，并要及时进行反馈，利用观察、提高、检查作业、测验等评价手段反馈信息，及时根据学生的具体情况采取适当的措施加以纠正。要加强小结课和改错课，发现错误及时纠正，错误不被积累，结合目标教学模式，通过单元目标的落实，把握近期目标，保证短期目标，到达长期目标。

二、“分类推进”的主要途径。

1、充分调动和发挥学生的非智力因素作用，树立理想，明确目的，激发兴 趣，培养意志等。

2、加强个别辅导，帮助学生打好基础。

3、因材施教，满足学生自我实现的需要。

4、帮助学生掌握科学的学习方法，思维方法。

5、做好培优扶差工作，利用下午第三节或预备课分别对尖子学生和后进生进行集中辅导。对于尖子生，出一些比较灵活的、有一定深度的练习题给他们训练。利用课余时间对后进生进行基础知识的辅导，帮助他们树立信心，力争考试及格。通过这种抓两头促中间的做法，全面提高学生的学习成绩。 对学生课后的辅导尽可能进行面对面的辅导，平时的课堂训练，难度稍低的

练习可由优秀的学生帮助成绩较差的学生，通过生生之间的互动，促进不同层次的学生的进步。

6、组织开展不同层次的学生第二课堂活动，通过开展竞赛知识讲座，开拓学生的视野，丰富学生的知识。。

总之，实施“分层教学、分类推进”，有利于培养学生的学习兴趣，使学生的特长得到长足的发展。

 

第二篇：分类算法总结

目前看到的比较全面的分类算法,总结的还不错.

2.4.1 主要分类方法介绍解决分类问题的方法很多[40-42] ，单一的分类方法主要包括：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等；另外还有用于组合单一分类方法的集成学习算法，如Bagging和Boosting等。

（1）决策树

决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。

主要的决策树算法有ID3、C4.5（C5.0）、CART、PUBLIC、SLIQ和SPRINT算法等。它们在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据集等方面都有各自的不同之处。

（2）贝叶斯

贝叶斯（Bayes）分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯（Naive Bayes）算法。这些算法主要利用Bayes定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。由于贝叶斯定理的成立本身需要一个很强的条件独立性假设前提，而此假设在实际情况中经常是不成立的，因而其分类准确性就会下降。为此就出现了许多降低独立性假设的贝叶斯分类算法，如TAN（Tree Augmented Na?ve Bayes)算法，它是在贝叶斯网络结构的基础上增加属性对之间的关联来实现的。

（3）人工神经网络

人工神经网络（Artificial Neural Networks，ANN）是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中，大量的节点（或称”神经元”，或”单元”）之间相互联接构成网络，即”神经网络”，以达到处理信息的目的。神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。

目前，神经网络已有上百种不同的模型，常见的有BP网络、径向基RBF网络、Hopfield网络、随机神经网络（Boltzmann机）、竞争神经网络（Hamming网络，自组织映射网络）等。但是当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。

（4）k-近邻

k-近邻(kNN，k-Nearest Neighbors)算法是一种基于实例的分类方法。该方法就是找出与未知样本x距离最近的k个训练样本，看这k个样本中多数属于哪一类，就把x归为那一类。k-近邻方法是一种懒惰学习方法，它存放样本，直到需要分类时才进行分类，如果样本集比较复杂，可能会导致很大的计算开销，因此无法应用到实时性很强的场合。

（5）支持向量机

支持向量机（SVM，Support Vector Machine）是Vapnik根据统计学习理论提出的一种新的学习方法[43] ，它的最大特点是根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。对于分类问题，支持向量机算法根据区域中的样本计算该区域的决策曲面，由此确定该区域中未知样本的类别。

（6）基于关联规则的分类

关联规则挖掘是数据挖掘中一个重要的研究领域。近年来，对于如何将关联规则挖掘用于分类问题，学者们进行了广泛的研究。关联分类方法挖掘形如condset→C的规则，其中condset是项(或属性-值对)的集合，而C是类标号，这种形式的规则称为类关联规则（class association rules，CARS）。关联分类方法一般由两步组成：第一步用关联规则挖掘算法从训练数据集中挖掘出所有满足指定支持度和置信度的类关联规则；第二步使用启发式方法从挖掘出的类关联规则中挑选出一组高质量的规则用于分类。属于关联分类的算法主要包括CBA[44] ，ADT[45] ，CMAR[46] 等。

（7）集成学习（Ensemble Learning）

实际应用的复杂性和数据的多样性往往使得单一的分类方法不够有效。因此，学者们对多种分类方法的融合即集成学习进行了广泛的研究。集成学习已成为国际机器学习界的研究热点，并被称为当前机器学习四个主要研究方向之一。

集成学习是一种机器学习范式，它试图通过连续调用单个的学习算法，获得不同的基学习器，然后根据规则组合这些学习器来解决同一个问题，可以显著的提高学习系统的泛化能力。组合多个基学习器主要采用（加权）投票的方法，常见的算法有装袋[47] （Bagging），提升/推进[48, 49] （Boosting）等。

有关分类器的集成学习见图2-5。集成学习由于采用了投票平均的方法组合多个分类器，所以有可能减少单个分类器的误差，获得对问题空间模型更加准确的表示，从而提高分类器的分类准确度。

图2-5：分类器的集成学习

以上简单介绍了各种主要的分类方法，应该说其都有各自不同的特点及优缺点。对于数据库负载的自动识别，应该选择哪种方法呢？用来比较和评估分类方法的标准[50] 主要有：（1）预测的准确率。模型正确地预测新样本的类标号的能力；（2）计算速度。包括构造模型以及使用模型进行分类的时间；（3）强壮性。模型对噪声数据或空缺值数据正确预测的能力；

（4）可伸缩性。对于数据量很大的数据集，有效构造模型的能力；（5）模型描述的简洁性和可解释性。模型描述愈简洁、愈容易理解，则愈受欢迎。