Le classifieur de Bayes est très utilisé pour le traitement statistique des données. Lorsqu'on étudie des algorithmes d'apprentissage automatique tels que les réseaux de neurones, le classifieur de Bayes est souvent approché par une régression logistique, mais l'efficacité de cette approximation reste en partie incomprise. Dans cet article, nous proposons une régression logistique non-linéaire basée sur la discrétisation de descripteurs. Nous montrons que cette régression logistique peut parfaitement approcher le classifieur de Bayes naïf à condition d'appliquer un prétraitement spécifique détaillé dans cet article. En outre, grâce à cette méthode, chaque descripteur est associée à une fonction descriptive univariée dont les variations sont apprises de façon unique. Cette fonction descriptive nous permet d'interpréter la contribution d'un descripteur dans le processus de décision. Nous illustrons nos résultats théoriques à l'aide de données radiomiques.