W module regresji logistycznej
wiesz, jak korzystać z funkcji sigmoidalnej,
do konwertowania nieprzetworzonych danych wyjściowych modelu na wartość z zakresu od 0 do 1 w celu uzyskania prawdopodobieństwa
przewidywania – na przykład przewidywanie, że dany e-mail ma 75% szans na
jako spam. Co jednak, jeśli Twoim celem nie jest wygenerowanie prawdopodobieństwa, lecz kategorii? Możesz na przykład przewidzieć, czy dany e-mail jest spamem czy nie.
Obecna klasyfikacja:
Zadanie prognozowania, które z kolei zajęć
(kategorie), do których należy przykład. W tym module dowiesz się, jak
modelu regresji logistycznej, który prognozuje prawdopodobieństwo na
klasyfikacja binarna
który prognozuje jedną z dwóch klas. Dowiesz się też, jak wybierać i obliczać odpowiednie dane, aby oceniać jakość prognoz modelu klasyfikacji. Na koniec omówimy pokrótce
klasyfikacja wieloklasowa
, które omówimy bardziej szczegółowo w dalszej części szkolenia.
[null,null,["Ostatnia aktualizacja: 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."]]],[]]
