陆地与海洋的复习课课件

陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而不是殚精竭虑将神灵揉进宪法，总体上来说，法律就会更好。——马克·吐温37、纲纪废弃之日，便是暴政兴起之时。——威·皮物特38、若是没有公众舆论的支持，法律是丝毫没有力量的。——菲力普斯39、一个判例造出另一个判例，它们迅速累聚，进而变成法律。——朱尼厄斯40、人类法律，事物有规律，这是不容忽视的。——爱献生陆地与海洋的复习课陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而不是殚精竭虑将神灵揉进宪法，总体上来说，法律就会更好。——马克·吐温37、纲纪废弃之日，便是暴政兴起之时。——威·皮物特38、若是没有公众舆论的支持，法律是丝毫没有力量的。——菲力普斯39、一个判例造出另一个判例，它们迅速累聚，进而变成法律。——朱尼厄斯40、人类法律，事物有规律，这是不容忽视的。——爱献生第二章陆地和海洋的复习课复习目标内4E一、海陆的分布:二、七大洲和四大洋:W1、基本概念2、七大洲3、四大洋、海陆的变迁:1、海陆变迁的原因2、大陆漂移假说3、板块运动学说精确计算本质上是对数的运算，有利于培养学生的抽象能力；估算本质上是对数量的运算，有利于培养学生的直观能力。根据现在的数学知识划分，类似于“21×59≈”属于精确计算中的粗略计算，不作为估算教学的内容。只有在解决具体的实际问题中的近似计算才叫做估算，所以课程标准更加强调在现实的情境中培养学生的估算意识和估算方法。在小学阶段，估算问题要有合适的实际背景，否则就失去了估算的教育意义。第一学段估算：根据情境选单位。估算往往涉及在哪个单位上计算的问题，因此需要在计算之前，针对实际背景选择合理的单位。学生在选择单位的过程中，可以感悟到估算是对实际问题的度量，进而感悟如何估算才是合理的。例如，学校组织479名学生去看电影。如果电影票每张8元，带4000元钱够不够？解决此题的适当方法是把479人看成500人，所以适当的单位是“500人”。结合具体情境，选择适当的单位是第一学段估算的核心。在对大数进行估计的时候，选择合适的单位也很重要。教室到学校体育馆有多远，就应当选用米作单位。而从家到学校有多远，就要选择千米作单位。太阳到地球的距离就要用光年作单位了。第一学段的估算强调在具体的情境中选择合适的单位，刚才的例子是选择了500人作单位。一般来说，估计教室的长度时，通常以“米”为单位；估计书本的长度时，通常以“厘米”为单位。也可以用身边熟悉的物体的长度为单位，如步长、臂长等。教学中，教师要让学生结合实际，熟悉一些常见的计量单位，真正了解其长短、大小和轻重等，并在头脑中建立起相应的表象。第二学段估算：根据情境选方法。对于已经给定了数量，大量的估算是为了得到问题解的上限或下限，为此，需要对给定数量适当地增加或减少（即大估或小估），然后凑整计算。例如，李阿姨去商店购物，带了100元，她买了两袋面，每袋30.4元，又买了一块牛肉，用了19.4元。她还想买一条鱼，大的每条25.2元，小的每条15.8元。请你帮李阿姨估一下，她带的钱够不够买小鱼？能不能买大鱼？这个例子提出了两个问题，这两个问题的核心都是估计100元购物后的剩余金额，但两种估算方法有所不同：第一个问题，“够不够买小鱼”，是估计剩余金额的下限（至少剩余多少钱），如果下限超过15.8元，那么就可以买。对于估计下限的问题，把已经花掉的钱数要适当往大估，可以把面粉估作每袋31元，牛肉估作20元，那么剩余金额至少有100-31×2-20=18（元），够买小鱼。第二个问题“能不能买大鱼”，是估计剩余金额的上限（最多剩余多少钱），如果上限不到25.2元，就肯定不能买大鱼。对于估计上限的问题，已经花的钱数要适当往小估，把面粉估作30元每袋，牛肉估作19元，100-30×2-19=21（元），不能买大鱼。对于一个问题的估算，严格地说并没有对错之分，只有是否恰当之别。如何选择估算的单位，要看实际背景，用100元购物，以元为单位是恰当的，如果花10000元购物，当然可以用100元做单位；至于用精确计算还是估算，也要看具体情境。去商店购物，顾客大概算一下钱够不够就行了，但收银员却必须精确计算。对于估算问题，总的想法不是有意为难学生，所以一般不在审题上设置难度，重点要考查学生估算单位选择是否恰当、估算方法是否得当。教育领域积累了大量的学生信息，例如成绩、文体科技活动参加情况以及毕业发展状况等信息，这些信息直接反映了学生在校的学习状态、性格特点甚至发展方向。对学生信息的分析能够指导教学，引导学生工作者工作的展开，对学生的培养和发展起到一定的辅助作用。目前，对学生数据的利用主要是对学生成绩的简单分析，例如：对学生成绩计算平均学分绩点，排名划分等级线；对修课学分进行统计分析。这类基础分析主要依赖分析人的经验，而缺乏一个客观的广泛的评价标准，在实际中发挥的效用有限。数据挖掘技术能从大量看似无联系的数据发现有用的信息。高等大专类院校学生信息中包含大量有用的信息，对学习成绩、文体科技类竞赛参加情况以及毕业后发展走向进行挖掘能得到许多对学生工作以及就业指导决策有价值的信息。在对与此相关的项目进行调研分析之后总结出，对于学生信息的分析，文献[1-3]只是停留在对学生信息某一方面的具体分析，没有对学生信息进行总体整合分析，这就有可能导致分析的不够全面对未来发展预测的不准确，并且在预测之后没有对预测的准确率进行估计，这种分析的方法不能确定预测的稳定性与准确性。本项目将对北京某高校计算机学院学生的各项信息进行整合分析，从一个较为完整的角度通过学生的在校信息对学生未来的发展方向做以预测[5][6]，并且对预测的准确率进行计算，以确保估计的可信度。下面将从学生信息收集与预处理、决策树的应用、结果分析以及结束语四部分来进行详细阐述。1学生信息收集与预处理本次研究以北京某高校计算机学院2016、2017届毕业生为主要分析对象，采集学生姓名、专业、学习成绩、就业单位以及是否参与过科研竞赛和社团等信息，该数据由学院毕业生指导教师、科研管理教师以及社团管理教师提供，从根本上保证了数据的准确性与可靠性。收集到的数据大多是以Excel形式进行存储，这些表格在维度、标准上有较大的差异，因此需要对数据进行预处理：1）数据清洗：通过填写缺失值，光滑噪声数据、删除重复数据、解决不一致性来“清理”数据；2）数据转换：收集到的数据有一部分是和本项目是不相关，是冗余的，减少不相关数据对数据挖掘的影响是至关重要的。3）数据规约：数据经过前面的步骤之后已经基本符合要求，但还需要经过规约对数据进行最后一步的规范，使数据量减少，让挖掘的工作量达到更高的效率。4）数据分类：数据的分类是为了算法能够更好地处理数据。学生的专业分为三种：计算机科学与技术、网络工程、软件工程，为了更为方便的表示，将计算机科学与技术设为1，软件工程设为2，网络工程设为3。成绩按照优秀、良好、中等、合格、不合格，对应为1、2、3、4、5五个等级。其他数据按照类似的方法进行整理。按表1的处理规则对数据处理后，得到如图1所示的分类图：从左到右分别表示专业分类、竞赛、社团、必修课平均成绩、以及就业单位。2决策树的应用决策树算法是数据挖掘算法中一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。决策树的构造可以分为两部分，第一部分是构建决策树，即通过训练数据集产生符合实际需求的数据集，第二部分是通过对已经产生的决策树进行修剪的过程。主要是用训练数据集对决策树进行测试，将对预测结果平衡性的分枝减掉。在本研究中决策树的应用主要思想是通过使用决策树算法对收集数据预处理后得到训练数据集进行分析建模，然后利用所见模型对未知数据进行预测。预测的好坏的衡量主要体现是预测的准确程度，因此在利用决策树实现分类预测功能的基础上，我们增加了获得预测准确率的方法，从而检验预测结果的准确程度。具体实现分为两个步骤，第一步是先将构建决策树的数据和预测数据导入并加载，调用wekajar包中的决策树算即i48算法形成决策树，然后会根据决策树的路径做出最优路径，遍历数据对数据进行预测，得到结果后将预测结果写到文件中，具体实现过程如图2所示：第二步是对决策树的准确率进行测试验证，从收集到的北京某高校计算机学院2016、2017届毕业生的数据即训练数据集中随机抽取部分数据作为测试数据，将构建决策树和测试数据导入并加载。通过i48算法构建好决策树，来预测测试数据结果，将测试数据结果和真实结果进行对比，统计预测结果准确数据个数和测试数据总个数，来得到准确率。具体实现过程如图3所示：3结果分析经过对预处理的数据决策树算法分析之后，得到如?D4的数据决策树，由此图可得出以下分类规则：1）成绩>90的同学，将会选择攻读研究生；2）成绩在80-90的同学，专业在计算机科学与技术且未参加竞赛的同学会选择科技类公司，参加竞赛的同学会选择攻读研究生而专业在软工和网工的同学则将会选择在科技类公司工作；3）成绩在70-80的同学，专业在网工的同学且未参加过竞赛的同学会选择科技类公司作为发展方向，参加过竞赛的同学将会选择非科技类公司，而计算机科学与技术和软件工程的同学则更倾向于选择科技类公司。4）成绩在60-70的同学，专业在计算机科学与技术和网络工程的同学会选择科技类公司，软件工程的同学会选择非科技类公司。5）成绩在60以下的同学，参加过社团的同学会选择非科技类公司，未参加过社团的同学会选择科技类公司。根据训练数据集中学生三种工作类型location_l：location_2：10cation3=51：82：199的比例随机选取测试数据集26条（如图4测试数据），使用上述方法，得到预测结果（如图5），最后一列即为预测的学生工作类型。将得到的预测数据结果（如图5）与真实数据（如图6）进行准确率的对比，准确率达到0.846，证明本研究具有较高的准确率和可信任度。4结束语本研究利用数据挖掘技术中的决策树算法对学生信息分析之后进而得到决策树模型，通过对模型得到的分类规则，实现帮助学工老师指导学生就业的同时，也帮助学生就业时对自己有一个较为准确的定位，帮助学校和学生树立责任意识和危机意识，实现各方努力，提高毕业生的实际就业问题。通过实践验证，本研究对学生就业具有一定的指导意义和实用价值，具有较高的准确率和可信任度，但由于目前收集到的数据有限，数据分布不均衡，使得结果预测仍有误差，提高结果预测的准确性将是笔者接下来的研究重点。笔者将收集更多样化的数据集，实践更多数据挖掘的分析算法，使研究成果更加具有实用性的价值。陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而1第二章陆地和海洋的复习课第二章陆地和海洋的复习课2复习目标内4E一、海陆的分布:二、七大洲和四大洋:W1、基本概念2、七大洲3、四大洋、海陆的变迁:1、海陆变迁的原因2、大陆漂移假说3、板块运动学说复习目标3海陆的分布海洋(29%)三分陆地七分海洋海陆的分布4南极北极北半球南半球世界海陆分布不均匀,从南北半球看,陆地集中在北半球海洋分布在南半球思考北极的周围和南极的周围分别以(陆地海洋)为主南极5北极北极大洋洲南极南极西半球东半球从东西半球看,陆地集中分布在东半球海洋集中分爾半球北极6二、七大洲和四大洋1、基本概念(1)大陆:面积广大的陆地(2)岛屿:面积较小的陆地(3)半岛:陆地伸进海洋的凸出部分(4)大洲:大陆与它周围的岛屿合起来为大洲(5)洋:面积广阔的水域(6)海:大洋的边缘部分(7)海峡:沟通两个海洋的狭窄水道二、七大洲和四大洋7什么是海、海峡、半岛、岛屿、大陆、大洲?大陆海峡是沟邐两个海洋的狹窄水道。半岛是陆地仲进海洋的凸出部分。什么是海、海峡、半岛、岛屿、大陆、大洲?8火眼金时北极水注北大e亚洲太平洋低大津洲洋度洋“可极概南极南极西半球东半球火眼金时9地球上共分为七个大洲亚洲4903非300北美洲240南美洲南极洲欧洲大洋洲180014001000

七大洲面积的比较(单位:万平方千米)地球上共分为七个大洲10北冰洋1300大西洋9300太平洋18000印度洋7500,盲平上子北冰洋130011陆地与海洋的复习课课件12陆地与海洋的复习课课件13陆地与海洋的复习课课件14陆地与海洋的复习课课件15陆地与海洋的复习课课件16陆地与海洋的复习课课件17陆地与海洋的复习课课件18陆地与海洋的复习课课件19陆地与海洋的复习课课件20陆地与海洋的复习课课件21陆地与海洋的复习课课件22陆地与海洋的复习课课件23陆地与海洋的复习课课件24陆地与海洋的复习课课件25陆地与海洋的复习课课件26陆地与海洋的复习课课件27陆地与海洋的复习课课件28陆地与海洋的复习课课件29陆地与海洋的复习课课件30陆地与海洋的复习课课件31陆地与海洋的复习课课件32陆地与海洋的复习课课件33陆地与海洋的复习课课件34陆地与海洋的复习课课件35陆地与海洋的复习课课件36陆地与海洋的复习课课件37陆地与海洋的复习课课件38陆地与海洋的复习课课件39陆地与海洋的复习课课件40陆地与海洋的复习课课件4131、只有永远躺在泥坑里的人，才不会再掉进坑里。——黑格尔

32、希望的灯一旦熄灭，生活刹那间变成了一片黑暗。——普列姆昌德

33、希望是人生的乳母。——科策布

34、形成天才的决定因素应该是勤奋。——郭沫若

35、学到很多东西的诀窍，就是一下子不要学很多。——洛克31、只有永远躺在泥坑里的人，才不会再掉进坑里42陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而不是殚精竭虑将神灵揉进宪法，总体上来说，法律就会更好。——马克·吐温37、纲纪废弃之日，便是暴政兴起之时。——威·皮物特38、若是没有公众舆论的支持，法律是丝毫没有力量的。——菲力普斯39、一个判例造出另一个判例，它们迅速累聚，进而变成法律。——朱尼厄斯40、人类法律，事物有规律，这是不容忽视的。——爱献生陆地与海洋的复习课陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而不是殚精竭虑将神灵揉进宪法，总体上来说，法律就会更好。——马克·吐温37、纲纪废弃之日，便是暴政兴起之时。——威·皮物特38、若是没有公众舆论的支持，法律是丝毫没有力量的。——菲力普斯39、一个判例造出另一个判例，它们迅速累聚，进而变成法律。——朱尼厄斯40、人类法律，事物有规律，这是不容忽视的。——爱献生第二章陆地和海洋的复习课复习目标内4E一、海陆的分布:二、七大洲和四大洋:W1、基本概念2、七大洲3、四大洋、海陆的变迁:1、海陆变迁的原因2、大陆漂移假说3、板块运动学说精确计算本质上是对数的运算，有利于培养学生的抽象能力；估算本质上是对数量的运算，有利于培养学生的直观能力。根据现在的数学知识划分，类似于“21×59≈”属于精确计算中的粗略计算，不作为估算教学的内容。只有在解决具体的实际问题中的近似计算才叫做估算，所以课程标准更加强调在现实的情境中培养学生的估算意识和估算方法。在小学阶段，估算问题要有合适的实际背景，否则就失去了估算的教育意义。第一学段估算：根据情境选单位。估算往往涉及在哪个单位上计算的问题，因此需要在计算之前，针对实际背景选择合理的单位。学生在选择单位的过程中，可以感悟到估算是对实际问题的度量，进而感悟如何估算才是合理的。例如，学校组织479名学生去看电影。如果电影票每张8元，带4000元钱够不够？解决此题的适当方法是把479人看成500人，所以适当的单位是“500人”。结合具体情境，选择适当的单位是第一学段估算的核心。在对大数进行估计的时候，选择合适的单位也很重要。教室到学校体育馆有多远，就应当选用米作单位。而从家到学校有多远，就要选择千米作单位。太阳到地球的距离就要用光年作单位了。第一学段的估算强调在具体的情境中选择合适的单位，刚才的例子是选择了500人作单位。一般来说，估计教室的长度时，通常以“米”为单位；估计书本的长度时，通常以“厘米”为单位。也可以用身边熟悉的物体的长度为单位，如步长、臂长等。教学中，教师要让学生结合实际，熟悉一些常见的计量单位，真正了解其长短、大小和轻重等，并在头脑中建立起相应的表象。第二学段估算：根据情境选方法。对于已经给定了数量，大量的估算是为了得到问题解的上限或下限，为此，需要对给定数量适当地增加或减少（即大估或小估），然后凑整计算。例如，李阿姨去商店购物，带了100元，她买了两袋面，每袋30.4元，又买了一块牛肉，用了19.4元。她还想买一条鱼，大的每条25.2元，小的每条15.8元。请你帮李阿姨估一下，她带的钱够不够买小鱼？能不能买大鱼？这个例子提出了两个问题，这两个问题的核心都是估计100元购物后的剩余金额，但两种估算方法有所不同：第一个问题，“够不够买小鱼”，是估计剩余金额的下限（至少剩余多少钱），如果下限超过15.8元，那么就可以买。对于估计下限的问题，把已经花掉的钱数要适当往大估，可以把面粉估作每袋31元，牛肉估作20元，那么剩余金额至少有100-31×2-20=18（元），够买小鱼。第二个问题“能不能买大鱼”，是估计剩余金额的上限（最多剩余多少钱），如果上限不到25.2元，就肯定不能买大鱼。对于估计上限的问题，已经花的钱数要适当往小估，把面粉估作30元每袋，牛肉估作19元，100-30×2-19=21（元），不能买大鱼。对于一个问题的估算，严格地说并没有对错之分，只有是否恰当之别。如何选择估算的单位，要看实际背景，用100元购物，以元为单位是恰当的，如果花10000元购物，当然可以用100元做单位；至于用精确计算还是估算，也要看具体情境。去商店购物，顾客大概算一下钱够不够就行了，但收银员却必须精确计算。对于估算问题，总的想法不是有意为难学生，所以一般不在审题上设置难度，重点要考查学生估算单位选择是否恰当、估算方法是否得当。教育领域积累了大量的学生信息，例如成绩、文体科技活动参加情况以及毕业发展状况等信息，这些信息直接反映了学生在校的学习状态、性格特点甚至发展方向。对学生信息的分析能够指导教学，引导学生工作者工作的展开，对学生的培养和发展起到一定的辅助作用。目前，对学生数据的利用主要是对学生成绩的简单分析，例如：对学生成绩计算平均学分绩点，排名划分等级线；对修课学分进行统计分析。这类基础分析主要依赖分析人的经验，而缺乏一个客观的广泛的评价标准，在实际中发挥的效用有限。数据挖掘技术能从大量看似无联系的数据发现有用的信息。高等大专类院校学生信息中包含大量有用的信息，对学习成绩、文体科技类竞赛参加情况以及毕业后发展走向进行挖掘能得到许多对学生工作以及就业指导决策有价值的信息。在对与此相关的项目进行调研分析之后总结出，对于学生信息的分析，文献[1-3]只是停留在对学生信息某一方面的具体分析，没有对学生信息进行总体整合分析，这就有可能导致分析的不够全面对未来发展预测的不准确，并且在预测之后没有对预测的准确率进行估计，这种分析的方法不能确定预测的稳定性与准确性。本项目将对北京某高校计算机学院学生的各项信息进行整合分析，从一个较为完整的角度通过学生的在校信息对学生未来的发展方向做以预测[5][6]，并且对预测的准确率进行计算，以确保估计的可信度。下面将从学生信息收集与预处理、决策树的应用、结果分析以及结束语四部分来进行详细阐述。1学生信息收集与预处理本次研究以北京某高校计算机学院2016、2017届毕业生为主要分析对象，采集学生姓名、专业、学习成绩、就业单位以及是否参与过科研竞赛和社团等信息，该数据由学院毕业生指导教师、科研管理教师以及社团管理教师提供，从根本上保证了数据的准确性与可靠性。收集到的数据大多是以Excel形式进行存储，这些表格在维度、标准上有较大的差异，因此需要对数据进行预处理：1）数据清洗：通过填写缺失值，光滑噪声数据、删除重复数据、解决不一致性来“清理”数据；2）数据转换：收集到的数据有一部分是和本项目是不相关，是冗余的，减少不相关数据对数据挖掘的影响是至关重要的。3）数据规约：数据经过前面的步骤之后已经基本符合要求，但还需要经过规约对数据进行最后一步的规范，使数据量减少，让挖掘的工作量达到更高的效率。4）数据分类：数据的分类是为了算法能够更好地处理数据。学生的专业分为三种：计算机科学与技术、网络工程、软件工程，为了更为方便的表示，将计算机科学与技术设为1，软件工程设为2，网络工程设为3。成绩按照优秀、良好、中等、合格、不合格，对应为1、2、3、4、5五个等级。其他数据按照类似的方法进行整理。按表1的处理规则对数据处理后，得到如图1所示的分类图：从左到右分别表示专业分类、竞赛、社团、必修课平均成绩、以及就业单位。2决策树的应用决策树算法是数据挖掘算法中一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。决策树的构造可以分为两部分，第一部分是构建决策树，即通过训练数据集产生符合实际需求的数据集，第二部分是通过对已经产生的决策树进行修剪的过程。主要是用训练数据集对决策树进行测试，将对预测结果平衡性的分枝减掉。在本研究中决策树的应用主要思想是通过使用决策树算法对收集数据预处理后得到训练数据集进行分析建模，然后利用所见模型对未知数据进行预测。预测的好坏的衡量主要体现是预测的准确程度，因此在利用决策树实现分类预测功能的基础上，我们增加了获得预测准确率的方法，从而检验预测结果的准确程度。具体实现分为两个步骤，第一步是先将构建决策树的数据和预测数据导入并加载，调用wekajar包中的决策树算即i48算法形成决策树，然后会根据决策树的路径做出最优路径，遍历数据对数据进行预测，得到结果后将预测结果写到文件中，具体实现过程如图2所示：第二步是对决策树的准确率进行测试验证，从收集到的北京某高校计算机学院2016、2017届毕业生的数据即训练数据集中随机抽取部分数据作为测试数据，将构建决策树和测试数据导入并加载。通过i48算法构建好决策树，来预测测试数据结果，将测试数据结果和真实结果进行对比，统计预测结果准确数据个数和测试数据总个数，来得到准确率。具体实现过程如图3所示：3结果分析经过对预处理的数据决策树算法分析之后，得到如?D4的数据决策树，由此图可得出以下分类规则：1）成绩>90的同学，将会选择攻读研究生；2）成绩在80-90的同学，专业在计算机科学与技术且未参加竞赛的同学会选择科技类公司，参加竞赛的同学会选择攻读研究生而专业在软工和网工的同学则将会选择在科技类公司工作；3）成绩在70-80的同学，专业在网工的同学且未参加过竞赛的同学会选择科技类公司作为发展方向，参加过竞赛的同学将会选择非科技类公司，而计算机科学与技术和软件工程的同学则更倾向于选择科技类公司。4）成绩在60-70的同学，专业在计算机科学与技术和网络工程的同学会选择科技类公司，软件工程的同学会选择非科技类公司。5）成绩在60以下的同学，参加过社团的同学会选择非科技类公司，未参加过社团的同学会选择科技类公司。根据训练数据集中学生三种工作类型location_l：location_2：10cation3=51：82：199的比例随机选取测试数据集26条（如图4测试数据），使用上述方法，得到预测结果（如图5），最后一列即为预测的学生工作类型。将得到的预测数据结果（如图5）与真实数据（如图6）进行准确率的对比，准确率达到0.846，证明本研究具有较高的准确率和可信任度。4结束语本研究利用数据挖掘技术中的决策树算法对学生信息分析之后进而得到决策树模型，通过对模型得到的分类规则，实现帮助学工老师指导学生就业的同时，也帮助学生就业时对自己有一个较为准确的定位，帮助学校和学生树立责任意识和危机意识，实现各方努力，提高毕业生的实际就业问题。通过实践验证，本研究对学生就业具有一定的指导意义和实用价值，具有较高的准确率和可信任度，但由于目前收集到的数据有限，数据分布不均衡，使得结果预测仍有误差，提高结果预测的准确性将是笔者接下来的研究重点。笔者将收集更多样化的数据集，实践更多数据挖掘的分析算法，使研究成果更加具有实用性的价值。陆地与海洋的复习课36、如果我们国家的法律中只有某种神灵，而43第二章陆地和海洋的复习课第二章陆地和海洋的复习课44复习目标内4E一、海陆的分布:二、七大洲和四大洋:W1、基本概念2、七大洲3、四大洋、海陆的变迁:1、海陆变迁的原因2、大陆漂移假说3、板块运动学说复习目标45海陆的分布海洋(29%)三分陆地七分海洋海陆的分布46南极北极北半球南半球世界海陆分布不均匀,从南