Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
W module Regresja liniowa poznasz sposób tworzenia modelu do ciągłych prognoz liczbowych, np. dotyczących spalania paliwa w samochodzie. A co, jeśli chcesz utworzyć model, który będzie odpowiadać na pytania w rodzaju „Czy dziś będzie padać?” lub „Czy ten e-mail jest spamem?”?
W tym module przedstawiamy nowy typ modelu regresji, czyli regresję logistycznej, która służy do przewidywania prawdopodobieństwa wystąpienia danego wyniku.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 2024-11-08 UTC."],[[["This module introduces logistic regression, a model used to predict the probability of an outcome, unlike linear regression which predicts continuous numerical values."],["Logistic regression utilizes the sigmoid function to calculate probability and employs log loss as its loss function."],["Regularization is crucial when training logistic regression models to prevent overfitting and improve generalization."],["The module covers the comparison between linear and logistic regression and explores use cases for logistic regression."],["Familiarity with introductory machine learning and linear regression concepts is assumed for this 35-minute module."]]],[]]