单元六 · AI项目工坊
第26课 推荐出行方式
一、学习目标
- 了解用决策树等方法推荐出行方式的思路。
- 认识数据与规则在推荐中的作用。
- 能比较规则推荐与学习型推荐的差异。
二、情境导入
上班/上学该坐公交、骑车还是开车？可以依据哪些条件推荐？
决策树与神经网络如何参与「出行推荐」？
三、核心讲解
本课学习路径：
1准备数据与规则
2决策树推荐
3学习型推荐
1．准备数据与规则
推荐前要明确目标与条件：距离、天气、拥堵、费用、是否有车等。
推荐要素：先定义可选方案与决策条件，再收集相应数据或经验规则。
- 列出候选出行方式
- 确定会影响选择的关键因素
- 准备若干样例用于测试推荐是否合理
想一想：「下雨」和「迟到风险」哪个更应靠近决策树根节点？为什么？
2．决策树推荐
可用决策树把推荐过程可视化，按条件分支给出建议。
规则推荐：用清晰规则保证可解释；适合条件不多、需要说明理由的场景。
- 在决策树组件中搭建出行推荐树
- 用样例走查路径，检查建议是否合理
- 规则冲突或遗漏时及时修订
想一想：决策树很深时，用户还容易理解推荐理由吗？
3．学习型推荐
也可用神经网络等从历史选择中学习偏好，但解释性可能变弱。
学习型推荐：从数据中拟合偏好；灵活但更依赖数据质量，需防止不合理歧视性规则。
- 对比：同一场景下规则法与学习法的建议差异
- 讨论何时必须保持可解释
想一想：如果历史数据全是「有车就开车」，模型可能学到什么不良偏好？
弄清以上要点后，再进入下方动手体验，用实际操作验证。
四、动手体验 · MixAI 组件
请在下列组件中完成操作，至少体验一个并记录现象。
组件 model_decision_tree — 按天气、距离等条件搭建出行推荐树，走查样例并解释推荐理由
组件 model_neural_network_playground — 对比「规则推荐」与「从数据拟合」的学习型方法，讨论可解释性
五、课堂总结
- 出行推荐可基于规则决策树，也可基于数据学习。
- 要在效果、可解释性与公平性之间权衡。
六、拓展提升
- 为「雨天/晴天 × 近/远」设计一棵推荐树，并说明一条你刻意避免的偏见。
测评
对照本课学习目标作答（客观题练习）；选出后点「检查」。答错会显示简短说明。
做出行推荐前，首先应：
用决策树推荐的突出优点是：
判断：学习型推荐一定比规则推荐更公平。
本节小结
回顾本课要点，完成动手体验与测评。记住：推荐出行方式。