पाइथन में लॉजिस्टिक रिग्रेशन - सीमाएं

जैसा कि आपने ऊपर के उदाहरण से देखा है, मशीन लर्निंग के लिए लॉजिस्टिक रिग्रेशन लागू करना कोई मुश्किल काम नहीं है। हालाँकि, यह अपनी सीमाओं के साथ आता है। लॉजिस्टिक प्रतिगमन बड़ी संख्या में श्रेणीबद्ध विशेषताओं को संभालने में सक्षम नहीं होगा। अब तक हमने जिस उदाहरण पर चर्चा की है, उसमें हमने बहुत हद तक सुविधाओं की संख्या कम कर दी है।

हालांकि, अगर ये विशेषताएं हमारी भविष्यवाणी में महत्वपूर्ण थीं, तो हम उन्हें शामिल करने के लिए मजबूर होंगे, लेकिन तब लॉजिस्टिक प्रतिगमन हमें एक अच्छी सटीकता देने में विफल होगा। लॉजिस्टिक रिग्रेशन भी ओवरफिटिंग की चपेट में है। इसे एक गैर-रैखिक समस्या पर लागू नहीं किया जा सकता है। यह स्वतंत्र चर के साथ खराब प्रदर्शन करेगा जो कि लक्ष्य से संबंधित नहीं हैं और एक दूसरे से संबंधित हैं। इस प्रकार, आपको उस समस्या के लिए लॉजिस्टिक प्रतिगमन की उपयुक्तता का सावधानीपूर्वक मूल्यांकन करना होगा जिसे आप हल करने का प्रयास कर रहे हैं।

मशीन लर्निंग के कई क्षेत्र हैं जहाँ अन्य तकनीकों को निर्दिष्ट किया जाता है। कुछ का नाम रखने के लिए, हमारे पास k- निकटतम पड़ोसी (kNN), रेखीय प्रतिगमन, सपोर्ट वेक्टर मशीनें (SVM), निर्णय पेड़, Naive Bayes जैसे एल्गोरिदम हैं। किसी विशेष मॉडल को अंतिम रूप देने से पहले, आपको इन विभिन्न तकनीकों की प्रयोज्यता का मूल्यांकन करना होगा जिस समस्या को हम हल करने का प्रयास कर रहे हैं।