تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
في وحدة الانحدار اللوجستي،
تعلمت كيفية استخدام الدالة السينية
لتحويل ناتج النموذج الأولي إلى قيمة بين 0 و1
التنبؤات - على سبيل المثال، التنبؤ بأن رسالة بريد إلكتروني معينة لديها فرصة 75٪
رسائل غير مرغوب فيها. ولكن ماذا لو لم يكن هدفك هو عرض الاحتمالية بل
الفئة، على سبيل المثال، توقّع ما إذا كانت رسالة إلكترونية معيّنة "غير مرغوب فيها" أو "مرغوب فيها"؟
التصنيف هو
مهمة التنبؤ بالفئة التي ينتمي إليها مثال من مجموعة من الفئات
(الفئات). في هذه الوحدة، ستتعرّف على كيفية تحويل
نموذج الانحدار اللوجستي الذي يتنبّأ بالاحتمالية إلى نموذج تصنيف ثنائي
يتنبّأ بواحدة من الفئتَين. ستتعلم أيضًا كيفية
اختيار وحساب المقاييس المناسبة لتقييم جودة
لتنبؤات نموذج التصنيف. أخيرًا، ستحصل على مقدمة موجزة
التصنيف متعدد الفئات
المشكلات، والتي تتم مناقشتها بمزيد من التفصيل لاحقًا في الدورة.
تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-27 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\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)"]]
