Nel modulo sulla regressione logistica,
hai imparato a utilizzare la funzione sigmoide
per convertire l'output non elaborato del modello in un valore compreso tra 0 e 1 per fare
predizioni probabilistiche, ad esempio prevedere che una determinata email abbia il 75% di probabilità di essere spam. Ma cosa succede se il tuo obiettivo non è produrre una probabilità, ma una
categoria, ad esempio prevedere se una determinata email è "spam" o "non spam"?
La classificazione consiste nel predire a quale di un insieme di classi (categorie) appartiene un esempio. In questo modulo imparerai a convertire un modello di regressione logistica che prevede una probabilità in un modello di classificazione binaria che prevede una delle due classi. Imparerai inoltre
scegliere e calcolare metriche appropriate per valutare la qualità
le previsioni del modello di classificazione. Infine, vedremo una breve introduzione
classificazione multiclasse
che verranno discussi in modo più approfondito più avanti nel corso.
[null,null,["Ultimo aggiornamento 2024-10-22 UTC."],[[["This module focuses on converting logistic regression models into binary classification models for predicting categories instead of probabilities."],["You'll learn how to determine the optimal threshold for classification, calculate and select appropriate evaluation metrics, and interpret ROC and AUC."],["The module covers binary and provides an introduction to multi-class classification, building upon prior knowledge of machine learning, linear regression, and logistic regression."],["The content explores methods for evaluating the quality of classification model predictions and applying them to real-world scenarios."]]],[]]
