लॉजिस्टिक रिग्रेशन से संभावना मिलती है. आप दिए गए प्रॉबेबिलिटी और कोट; जैसा है (उदाहरण के लिए, उपयोगकर्ता के इस विज्ञापन पर क्लिक करने की संभावना 0.00023 है) या रिटर्न की संभावना को बाइनरी वैल्यू में बदल सकता है (उदाहरण के लिए, यह ईमेल स्पैम है).
किसी खास ईमेल मैसेज के लिए, लॉजिस्टिक रिग्रेशन मॉडल से 0.9995 लौटाने का अनुमान है कि यह स्पैम हो सकता है. इसके ठीक उलट, उसी लॉजिस्टिक रिग्रेशन मॉडल के लिए, 0.0003 के अनुमान वाले ईमेल का कोई दूसरा ईमेल मैसेज, स्पैम नहीं होता. हालांकि, 0.6 अनुमान वाले ईमेल मैसेज का क्या होगा? किसी बाइनरी कैटगरी में लॉजिस्टिक रिग्रेशन वैल्यू को मैप करने के लिए, आपको क्लासिफ़िकेशन का थ्रेशोल्ड तय करना होगा. इसे डिसिज़न थ्रेशोल्ड भी कहा जाता है. इस सीमा से ऊपर की वैल्यू से यह पता चलता है कि "स्पैम"; और नीचे दी गई वैल्यू से यह पता चलता है कि "स्पैम नहीं है." कभी-कभी यह मान लेना मुश्किल होता है कि डेटा की कैटगरी, हमेशा 0.5 होनी चाहिए. हालांकि, थ्रेशोल्ड तय करना समस्या पर निर्भर करता है. इसलिए, आपको इन वैल्यू को ट्यून करना होगा.
नीचे दिए गए सेक्शन में मेट्रिक के बारे में खास जानकारी दी गई है. इनका इस्तेमाल करके, डेटा को किसी खास कैटगरी में बांटने और मॉडल के अनुमान लगाने के साथ-साथ इन अनुमानों पर, क्लासिफ़िकेशन में बदलाव करने का असर भी देखा जा सकता है.