En el Módulo de regresión logística, aprendiste a usar la función sigmoidea para convertir el resultado del modelo sin procesar en un valor entre 0 y 1 para realizar predicciones probabilísticas, por ejemplo, predecir que un correo electrónico determinado tiene un 75% de probabilidad de ser spam. Pero ¿qué sucede si tu objetivo no es generar una probabilidad, sino una categoría, por ejemplo, predecir si un correo electrónico determinado es “spam” o “no es spam”?
Clasificación es
la tarea de predecir cuál de un conjunto de clases
(categorías) a las que pertenece un ejemplo. En este módulo, aprenderás a convertir
un modelo de regresión logística que predice una probabilidad en un
clasificación binaria
que predice una de dos clases. También aprenderás a
elegir y calcular métricas adecuadas para evaluar la calidad de un
de clasificación del modelo de clasificación. Por último, obtendrás una breve introducción a los problemas de clasificación multiclase, que se analizarán con más detalle más adelante en el curso.
[null,null,["Última actualización: 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."]]],[]]
