Dans le module Régression logistique,
vous avez appris à utiliser la fonction sigmoïde.
pour convertir la sortie brute du modèle en une valeur comprise entre 0 et 1 afin de rendre
des prédictions (par exemple, en prédisant qu'un e-mail donné a 75% de chances
qu'il s'agit de spam. Mais que se passe-t-il si votre objectif n'est pas de générer une probabilité, mais une catégorie ? Par exemple, si vous souhaitez prédire si un e-mail donné est un spam ou non ?
La classification consiste à prédire à quelle classe (catégorie) un exemple appartient parmi un ensemble de classes. Dans ce module, vous apprendrez à convertir
un modèle de régression logistique qui prédit une probabilité
classification binaire
qui prédit l'une des deux classes. Vous apprendrez également à choisir et à calculer les métriques appropriées pour évaluer la qualité des prédictions d'un modèle de classification. Enfin, nous vous présenterons brièvement
classification à classes multiples
des problèmes, qui sont abordés plus en
détail plus loin dans le cours.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2024/10/22 (UTC).
[null,null,["Dernière mise à jour le 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."]]],[]]
