摘要

  • 3 分鐘

我們已完成分類簡介，讓我們回顧一些重點。

我們發現分類與傳統迴歸之間有很多共通之處。 兩者都可以使用受監督的學習 (即成本函式)，並使用測試和訓練資料集來評估真實世界的表現。 在這個課程中，我們將重點放在羅吉斯迴歸 (此迴歸幾乎就是這兩種模型的混合)，並示範為輸出設定閾值如何讓我們獲得分類標籤，例如 avalanche/no-avalanche。

我們討論過評估分類模型的方式，可能會比使用迴歸模型難一點，特別是因為涉及的成本函式往往不夠直覺。

此外，我們也探討了新增和結合多個特徵如何導致模型大幅改進。 重要的是，我們已示範認真思考資料的意義為何會是達到最佳結果的關鍵。

在此課程模組中，我們使用羅吉斯迴歸。 但請記住，我們在此涵蓋的大部分主題也適用於許多其他分類模型類型。 包含嘗試預測兩個以上可能類別的模型。