Régression logistique : modélisation et optimisation de la probabilité

Cette séance de cours sur la régression logistique couvre la modélisation des problèmes de classification binaire en utilisant la fonction logistique pour prédire les probabilités de classe. Il explique la motivation derrière la régression logistique, les propriétés de la fonction logistique, la prédiction de l'étiquette et la comparaison avec la régression linéaire. La séance de cours se penche sur l'estimation de la probabilité maximale, le gradient de la probabilité de log négative, la convexité de la fonction de perte, et les méthodes d'optimisation comme la descente du gradient et la méthode de Newton. Il aborde également les problèmes avec des données linéairement séparables et introduit des techniques de régularisation pour éviter un surajustement.