ในโมดูลการถดถอยแบบโลจิสติก คุณได้เรียนรู้วิธีใช้ฟังก์ชัน Sigmoid แล้ว เพื่อแปลงเอาต์พุตโมเดลดิบเป็นค่าระหว่าง 0 ถึง 1 เพื่อสร้างความน่าจะเป็น การคาดคะเน - ตัวอย่างเช่น การคาดการณ์ว่าอีเมลฉบับหนึ่งจะมีโอกาส 75% ที่ การเป็นสแปม แต่ถ้าเป้าหมายของคุณไม่ได้แสดงถึงความน่าจะเป็น หมวดหมู่ เช่น การคาดการณ์ว่าอีเมลที่ระบุนั้นเป็น "สแปม" หรือไม่ หรือ "ไม่ใช่สแปม"
การจัดประเภท คือ งานในการคาดการณ์ชุดคลาส (หมวดหมู่) ของตัวอย่าง ในโมดูลนี้ คุณจะได้รู้วิธีแปลง โมเดลการถดถอยแบบโลจิสติกซึ่งคาดการณ์ความน่าจะเป็น การจัดประเภทแบบไบนารี โมเดลที่คาดการณ์หนึ่งในสองคลาส และคุณจะได้เรียนรู้วิธีการต่อไปนี้ เลือกและคำนวณเมตริกที่เหมาะสมเพื่อประเมินคุณภาพของ การคาดการณ์ของโมเดลการจัดประเภท สุดท้ายนี้ คุณจะได้พบกับข้อมูลเบื้องต้นเกี่ยวกับ การแยกประเภทแบบหลายคลาส ปัญหาโดยตรง ซึ่งจะกล่าวถึงในเชิงลึกในหลักสูตรต่อไป