Линейную регрессию можно адаптировать для классификации, используя логистическую регрессию (частный случай линейной для бинарной классификации). Вместо предсказания непрерывного значения, модель предсказывает вероятность принадлежности к классу через сигмоидную функцию (логит-преобразование).

Пример с кодом (Python, scikit-learn):

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

Загрузка данных (бинарная классификация для простоты)

X, y = load_iris(return_X_y=True)
y = (y == 0).astype(int) # Класс 0 vs остальные

model = LogisticRegression()
model.fit(X, y)
probabilities = model.predict_proba(X)[:, 1] # Вероятность класса 1

**Нюансы:**  
- Для многоклассовой классификации используйте `LogisticRegression(multi_class='multinomial')` с функцией softmax.  
- Порог вероятности (по умолчанию 0.5) можно менять для баланса precision/recall.  
- Линейная регрессия напрямую не подходит для классификации из-за неограниченного вывода и чувствительности к выбросам.