קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
במודול הרגרסיה הלוגיסטית, למדתם איך להשתמש בפונקציהsigmoid כדי להמיר את הפלט של המודל הגולמי לערך בין 0 ל-1 כדי ליצור הסתברות חיזויים - לדוגמה, חיזוי שלכתובת אימייל מסוימת יש סיכוי של 75% בתור ספאם. אבל מה קורה אם המטרה שלכם היא לא להפיק תוצאה של הסתברות, אלא קטגוריה – לדוגמה, חיזוי אם הודעת אימייל מסוימת היא 'ספאם' או 'לא ספאם'?
סיווג הוא המשימה של חיזוי לאיזו מתוך קבוצה של מחלקות (קטגוריות) שייכת דוגמה. במודול הזה תלמדו איך להמיר מודל של רגרסיה לוגיסטית שמתבסס על חיזוי הסתברות למודל של סיווג בינארי שמתבסס על חיזוי של אחד משני סיווגים. בנוסף, תלמדו איך לבחור ולחשב מדדים מתאימים כדי להעריך את איכות התחזיות של מודל סיווג. לבסוף, סיווג לכמה כיתות קיימות, שנדון בהן בהרחבה בהמשך הקורס.
[null,null,["עדכון אחרון: 2025-07-27 (שעון UTC)."],[[["\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,["# Classification\n\n| **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)"]]
