Une entreprise dispose d'étiquettes historiques indiquant si les clients ont eu besoin d'un support à long terme. Elle a besoin d'un modèle de ML pour prédire si les nouveaux clients nécessiteront un support à long terme. Quelle approche de modélisation est appropriée ?

La régression logistique est appropriée car le problème est une tâche de classification binaire : prédire si un client nécessitera (1) ou non (0) un support à long terme. La régression logistique modélise la probabilité qu'un événement se produise. La détection d'anomalies identifie des points de données inhabituels, ce qui n'est pas l'objectif ici. La régression linéaire est utilisée pour prédire une valeur numérique continue, pas une catégorie binaire. La segmentation sémantique est une tâche de vision par ordinateur qui consiste à attribuer une étiquette de classe à chaque pixel d'une image, ce qui est sans rapport avec ce cas d'utilisation.