1. Логистическая регрессия используется для классификации, поскольку позволяет оценивать вероятность принадлежности объекта к определённому классу. Для этого линейная комбинация признаков преобразуется с помощью сигмоидной функции в значение от 0 до 1.

2. Сигмоидная функция имеет вид σ(z) = 1 / (1 + e^(−z)). Она преобразует любое действительное число в значение от 0 до 1, которое используется как оценка вероятности положительного класса.

3. Логистическая функция потерь, или бинарная кросс-энтропия, измеряет расхождение между предсказанными вероятностями и фактическими метками классов. При обучении параметры модели подбираются так, чтобы минимизировать эту функцию.

4. Порог классификации определяет, при каком значении вероятности объект относится к положительному классу. Например, при пороге 0,5 вероятность 0,8 соответствует классу 1. При повышении порога до 0,9 тот же объект будет отнесён к классу 0.

5. Предсказанные вероятности позволяют оценивать степень уверенности модели и выбирать порог принятия решений с учётом особенностей задачи. Итоговая метка класса показывает только принятое решение и не отражает величину предсказанной вероятности.