সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
লজিস্টিক রিগ্রেশন মডিউলে , আপনি শিখেছেন কীভাবে সিগমায়েড ফাংশন ব্যবহার করে কাঁচা মডেলের আউটপুটকে 0 এবং 1-এর মধ্যে একটি মানকে সম্ভাব্য ভবিষ্যদ্বাণী করতে রূপান্তর করতে হয়—উদাহরণস্বরূপ, ভবিষ্যদ্বাণী করা যে একটি প্রদত্ত ইমেল স্প্যাম হওয়ার 75% সম্ভাবনা রয়েছে৷ কিন্তু যদি আপনার লক্ষ্য আউটপুট সম্ভাবনা না হয় কিন্তু একটি বিভাগ-উদাহরণস্বরূপ, একটি প্রদত্ত ইমেল "স্প্যাম" বা "স্প্যাম নয়" কিনা তা অনুমান করা?
ক্লাসিফিকেশন হল কোন ক্লাসের (বিভাগ) উদাহরণের অন্তর্গত তা অনুমান করার কাজ। এই মডিউলে, আপনি শিখবেন কীভাবে একটি লজিস্টিক রিগ্রেশন মডেলকে রূপান্তর করতে হয় যা একটি সম্ভাব্যতাকে একটি বাইনারি শ্রেণিবিন্যাস মডেলে ভবিষ্যদ্বাণী করে যা দুটি শ্রেণীর একটির পূর্বাভাস দেয়। আপনি একটি শ্রেণীবিভাগ মডেলের ভবিষ্যদ্বাণীগুলির গুণমান মূল্যায়ন করার জন্য উপযুক্ত মেট্রিকগুলি কীভাবে চয়ন করবেন এবং গণনা করবেন তাও শিখবেন। অবশেষে, আপনি বহু-শ্রেণির শ্রেণীবিভাগ সমস্যাগুলির একটি সংক্ষিপ্ত ভূমিকা পাবেন, যেগুলি কোর্সে পরে আরও গভীরভাবে আলোচনা করা হয়েছে।
[null,null,["2025-07-29 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\u003cp\u003eThis module focuses on converting logistic regression models into binary classification models for predicting categories instead of probabilities.\u003c/p\u003e\n"],["\u003cp\u003eYou'll learn how to determine the optimal threshold for classification, calculate and select appropriate evaluation metrics, and interpret ROC and AUC.\u003c/p\u003e\n"],["\u003cp\u003eThe module covers binary and provides an introduction to multi-class classification, building upon prior knowledge of machine learning, linear regression, and logistic regression.\u003c/p\u003e\n"],["\u003cp\u003eThe content explores methods for evaluating the quality of classification model predictions and applying them to real-world scenarios.\u003c/p\u003e\n"]]],[],null,["| **Estimated module length:** 70 minutes\n| **Learning objectives**\n|\n| - Determine an appropriate threshold for a binary classification model.\n| - Calculate and choose appropriate metrics to evaluate a binary classification model.\n| - Interpret ROC and AUC.\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| - [Logistic regression](/machine-learning/crash-course/logistic-regression)\n\nIn the [Logistic regression module](/machine-learning/crash-course/logistic-regression),\nyou learned how to use the [**sigmoid function**](/machine-learning/glossary#sigmoid-function)\nto convert raw model output to a value between 0 and 1 to make probabilistic\npredictions---for example, predicting that a given email has a 75% chance of\nbeing spam. But what if your goal is not to output probability but a\ncategory---for example, predicting whether a given email is \"spam\" or \"not spam\"?\n\n[**Classification**](/machine-learning/glossary#classification-model) is\nthe task of predicting which of a set of [**classes**](/machine-learning/glossary#class)\n(categories) an example belongs to. In this module, you'll learn how to convert\na logistic regression model that predicts a probability into a\n[**binary classification**](/machine-learning/glossary#binary-classification)\nmodel that predicts one of two classes. You'll also learn how to\nchoose and calculate appropriate metrics to evaluate the quality of a\nclassification model's predictions. Finally, you'll get a brief introduction to\n[**multi-class classification**](/machine-learning/glossary#multi-class)\nproblems, which are discussed in more depth later in the course.\n| **Key terms:**\n|\n| - [Binary classification](/machine-learning/glossary#binary-classification)\n| - [Class](/machine-learning/glossary#class)\n| - [Classification](/machine-learning/glossary#classification-model)\n| - [Multi-class classification](/machine-learning/glossary#multi-class)\n- [Sigmoid function](/machine-learning/glossary#sigmoid-function) \n[Help Center](https://support.google.com/machinelearningeducation)"]]
