طبقه‌بندی و رگرسیون لجستیک

خلاصه تدریس استاد در این جلسه

در این جلسه وارد مسئله‌ی طبقه‌بندی شدیم؛ جایی که خروجی مدل، برچسب گسسته است (مثلاً قبول/رد شدن، اسپم/غیر اسپم). ابتدا تفاوت رگرسیون (پیش‌بینی عدد پیوسته) و طبقه‌بندی (پیش‌بینی برچسب) را گفتیم. سپس رگرسیون لجستیک را معرفی کردیم: - به‌جای خروجی خطی، از تابع سیگموید برای تبدیل خروجی به عددی بین 0 و 1 استفاده می‌کنیم. - این عدد احتمال تعلق به کلاس مثبت را نشان می‌دهد. همچنین مفهوم آستانه (threshold) را توضیح دادیم؛ مثلاً اگر احتمال بالاتر از 0.5 باشد، نمونه را «مثبت» در نظر می‌گیریم. در بخش ارزیابی، دقت (Accuracy)، دقت مثبت (Precision) و یادآوری (Recall) را با یک مثال جدول درهم‌ریختگی (Confusion Matrix) بررسی کردیم.