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.