Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Trong mô-đun hồi quy logistic, bạn đã tìm hiểu cách sử dụng hàm sigmoid để chuyển đổi đầu ra mô hình thô thành một giá trị từ 0 đến 1 nhằm đưa ra dự đoán có xác suất, ví dụ: dự đoán rằng một email nhất định có 75% khả năng là thư rác. Nhưng nếu mục tiêu của bạn không phải là xuất ra xác suất mà là một danh mục, chẳng hạn như dự đoán xem một email nhất định là "thư rác" hay "không phải thư rác" thì sao?
Phân loại mới là nhiệm vụ dự đoán tập hợp lớp (danh mục) chứa ví dụ. Trong học phần này, bạn sẽ tìm hiểu cách chuyển đổi mô hình hồi quy logistic dự đoán xác suất thành mô hình phân loại nhị phân dự đoán một trong hai lớp. Bạn cũng sẽ tìm hiểu cách chọn và tính toán các chỉ số thích hợp để đánh giá chất lượng của dự đoán của mô hình phân loại. Cuối cùng, bạn sẽ được giới thiệu ngắn gọn về các vấn đề phân loại nhiều lớp. Chúng ta sẽ thảo luận chi tiết hơn về các vấn đề này trong phần sau của khoá học.
[[["Dễ hiểu","easyToUnderstand","thumb-up"],["Giúp tôi giải quyết được vấn đề","solvedMyProblem","thumb-up"],["Khác","otherUp","thumb-up"]],[["Thiếu thông tin tôi cần","missingTheInformationINeed","thumb-down"],["Quá phức tạp/quá nhiều bước","tooComplicatedTooManySteps","thumb-down"],["Đã lỗi thời","outOfDate","thumb-down"],["Vấn đề về bản dịch","translationIssue","thumb-down"],["Vấn đề về mẫu/mã","samplesCodeIssue","thumb-down"],["Khác","otherDown","thumb-down"]],["Cập nhật lần gần đây nhất: 2025-07-27 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,["| **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)"]]
