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 تبدیل کنید که یکی از دو کلاس را پیشبینی میکند. 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 2024-11-11 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-11-11 بهوقت ساعت هماهنگ جهانی."],[[["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."]]],[]]