更新于 2026年10月15日 全文 377 字未阅读

预计整个模块学习时长： 70 分钟

本模块介绍分类的相关概念。

学习目标：

  • 为二分类模型确定一个合适的分类阈值。
  • 计算并选择合适的指标来评估二分类模型。
  • 解释 ROC 与 AUC 的含义与用法。

先修要求：

本模块假设你已经熟悉以下模块中介绍的概念：

引言#

在逻辑回归模块中，你已经学过如何用 S 型（Sigmoid）函数把模型的原始输出压缩到 0 到 1 之间，从而得到一个概率预测值——例如，预测某封邮件有 75% 的概率是垃圾邮件。

但如果你的目标不是输出一个概率，而是直接给出一个类别呢？例如，预测某封邮件到底是「垃圾邮件」还是「正常邮件」？

分类（Classification） 就是预测一个样本属于若干类别（Class）中哪一类的任务。在本模块中，你将学到：

  • 如何把一个输出概率的逻辑回归模型，改造成一个只能输出两个类别之一的二分类（Binary Classification）模型；

  • 如何挑选并计算合适的评估指标，衡量分类模型预测结果的好坏；

  • 多类别分类（Multi-Class Classification） 问题的简要介绍——这部分内容在课程后段会有更深入的讨论。

关键术语：

阅读 --