Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
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.
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 2025/07/27 (UTC).
[null,null,["Dernière mise à jour le 2025/07/27 (UTC)."],[[["\u003cp\u003eThis module introduces logistic regression, a model used to predict the probability of an outcome, unlike linear regression which predicts continuous numerical values.\u003c/p\u003e\n"],["\u003cp\u003eLogistic regression utilizes the sigmoid function to calculate probability and employs log loss as its loss function.\u003c/p\u003e\n"],["\u003cp\u003eRegularization is crucial when training logistic regression models to prevent overfitting and improve generalization.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers the comparison between linear and logistic regression and explores use cases for logistic regression.\u003c/p\u003e\n"],["\u003cp\u003eFamiliarity with introductory machine learning and linear regression concepts is assumed for this 35-minute module.\u003c/p\u003e\n"]]],[],null,["# Logistic Regression\n\n| **Estimated module length:** 35 minutes\n| **Learning Objectives**\n|\n| - Identify use cases for performing logistic regression.\n| - Explain how logistic regression models use the sigmoid function to calculate probability.\n| - Compare linear regression and logistic regression.\n| - Explain why logistic regression uses log loss instead of squared loss.\n| - Explain the importance of regularization when training logistic regression models.\n| **Prerequisites:**\n|\n| This module assumes you are familiar with the concepts covered in the\n| following modules:\n|\n| - [Introduction to Machine Learning](/machine-learning/intro-to-ml)\n| - [Linear regression](/machine-learning/crash-course/linear-regression)\n\nIn the [Linear regression module](/machine-learning/crash-course/linear-regression),\nyou explored how to construct a model to make continuous numerical\npredictions, such as the fuel efficiency of a car. But what if you want to build\na model to answer questions like \"Will it rain today?\" or \"Is this email spam?\"\n\nThis module introduces a new type of regression model called\n[**logistic regression**](/machine-learning/glossary#logistic_regression)\nthat is designed to predict the probability of a given outcome. \n| **Key terms:**\n|\n- [Logistic regression](/machine-learning/glossary#logistic_regression) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
