Régression logistique
La régression logistique est un algorithme de classification qui estime la probabilité qu’une observation appartienne à une catégorie donnée, malgré son nom qui évoque la régression linéaire. Elle sert à prédire un résultat catégoriel (oui/non, retenu/écarté), pas une valeur continue.
Techniquement, elle applique une fonction sigmoïde à une combinaison linéaire des variables d’entrée, ce qui transforme le résultat en une probabilité comprise entre 0 et 1 — un coefficient positif augmente la probabilité de l’événement, un coefficient négatif la diminue. Version binaire la plus courante (deux catégories possibles), mais elle se généralise aussi à la classification multi-classes. Son atout principal face à des modèles plus complexes : une bonne interprétabilité, chaque coefficient indiquant clairement le poids et le sens de l’influence d’une variable.
En RH, la régression logistique modélise des décisions binaires : probabilité qu’un candidat soit retenu, qu’un salarié quitte l’entreprise dans les 12 mois, ou qu’une candidature corresponde à un poste. Sa simplicité et sa lisibilité en font un choix apprécié quand l’explicabilité de la décision prime sur la précision maximale — contrairement à un random forest, plus performant mais moins transparent.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (24/04/2026), Medium/Hadrien Mariaccia.