Régression logistique

Durée estimée du module: 35 minutes

Objectifs

• Identifier les cas d'utilisation de la régression logistique
• Expliquer comment les modèles de régression logistique utilisent la fonction sigmoïde pour calculer la probabilité.
• Comparer la régression linéaire et la régression logistique.
• Expliquez pourquoi la régression logistique utilise la perte logarithmique au lieu de la perte au carré.
• Expliquez l'importance de la régularisation lors de l'entraînement de modèles de régression logistique.

Prérequis:

Ce module suppose que vous connaissez les concepts abordés dans les modules suivants:

• Présentation du machine learning
• Régression linéaire

Dans le module sur la régression linéaire, vous avez découvert comment créer un modèle pour effectuer des prédictions numériques continues, comme l'efficacité énergétique d'une voiture. Mais que faire si vous souhaitez créer un modèle pour répondre à des questions comme "Va-t-il pleuvoir aujourd'hui ?" ou "Est-ce que cet e-mail est du spam ?" ?

Ce module présente un nouveau type de modèle de régression appelé régression logistique, conçu pour prédire la probabilité d'un résultat donné.

Termes clés

• Régression logistique