با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
در ماژول رگرسیون لجستیک ، یاد گرفتید که چگونه از تابع sigmoid برای تبدیل خروجی مدل خام به مقداری بین 0 و 1 برای انجام پیش‌بینی‌های احتمالی استفاده کنید - به عنوان مثال، پیش‌بینی اینکه یک ایمیل داده شده 75٪ احتمال دارد که هرزنامه باشد. اما اگر هدف شما خروجی احتمالی نباشد، بلکه یک دسته باشد، مثلاً پیش‌بینی کنید که آیا یک ایمیل داده شده "هرزنامه" است یا "هرزنامه نیست"؟
طبقه بندی وظیفه پیش بینی این است که یک مثال به کدام یک از مجموعه ای از کلاس ها (دسته ها) تعلق دارد. در این ماژول، شما یاد خواهید گرفت که چگونه یک مدل رگرسیون لجستیک را که یک احتمال را پیش‌بینی می‌کند، به یک مدل طبقه‌بندی باینری که یکی از دو کلاس را پیش‌بینی می‌کند، تبدیل کنید. همچنین نحوه انتخاب و محاسبه معیارهای مناسب برای ارزیابی کیفیت پیش‌بینی‌های مدل طبقه‌بندی را خواهید آموخت. در نهایت، شما یک مقدمه مختصر در مورد مسائل طبقه بندی چند کلاسه دریافت خواهید کرد که بعداً در دوره به طور عمیق تر مورد بحث قرار خواهند گرفت.
تاریخ آخرین بهروزرسانی 2025-07-29 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-29 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eThis module focuses on converting logistic regression models into binary classification models for predicting categories instead of probabilities.\u003c/p\u003e\n"],["\u003cp\u003eYou'll learn how to determine the optimal threshold for classification, calculate and select appropriate evaluation metrics, and interpret ROC and AUC.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers binary and provides an introduction to multi-class classification, building upon prior knowledge of machine learning, linear regression, and logistic regression.\u003c/p\u003e\n"],["\u003cp\u003eThe content explores methods for evaluating the quality of classification model predictions and applying them to real-world scenarios.\u003c/p\u003e\n"]]],[],null,["# Classification\n\n| **Estimated module length:** 70 minutes\n| **Learning objectives**\n|\n| - Determine an appropriate threshold for a binary classification model.\n| - Calculate and choose appropriate metrics to evaluate a binary classification model.\n| - Interpret ROC and AUC.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n| - [Logistic regression](/machine-learning/crash-course/logistic-regression)\n\nIn the [Logistic regression module](/machine-learning/crash-course/logistic-regression),\nyou learned how to use the [**sigmoid function**](/machine-learning/glossary#sigmoid-function)\nto convert raw model output to a value between 0 and 1 to make probabilistic\npredictions---for example, predicting that a given email has a 75% chance of\nbeing spam. But what if your goal is not to output probability but a\ncategory---for example, predicting whether a given email is \"spam\" or \"not spam\"?\n\n[**Classification**](/machine-learning/glossary#classification-model) is\nthe task of predicting which of a set of [**classes**](/machine-learning/glossary#class)\n(categories) an example belongs to. In this module, you'll learn how to convert\na logistic regression model that predicts a probability into a\n[**binary classification**](/machine-learning/glossary#binary-classification)\nmodel that predicts one of two classes. You'll also learn how to\nchoose and calculate appropriate metrics to evaluate the quality of a\nclassification model's predictions. Finally, you'll get a brief introduction to\n[**multi-class classification**](/machine-learning/glossary#multi-class)\nproblems, which are discussed in more depth later in the course.\n| **Key terms:**\n|\n| - [Binary classification](/machine-learning/glossary#binary-classification)\n| - [Class](/machine-learning/glossary#class)\n| - [Classification](/machine-learning/glossary#classification-model)\n| - [Multi-class classification](/machine-learning/glossary#multi-class)\n- [Sigmoid function](/machine-learning/glossary#sigmoid-function) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
