Régression logistique

Durée estimée du module:35 minutes

Objectifs d'apprentissage

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

Conditions préalables:

Dans ce module, nous partons du principe que vous connaissez les concepts abordés dans le modules suivants:

• Introduction to Machine Learning
• Régression linéaire

Dans le module Régression linéaire, vous avez appris à créer un modèle pour obtenir des prédictions numériques continues des prédictions, comme la consommation de carburant d'une voiture. Mais que se passe-t-il si vous voulez créer un modèle pour répondre à des questions telles que "Va-t-il pleuvoir aujourd'hui ?" ou "S'agit-il de 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: <ph type="x-smartling-placeholder">

</ph>
• Régression logistique