Regresi Logistik dengan Python - Batasan

Seperti yang telah Anda lihat dari contoh di atas, menerapkan regresi logistik untuk pembelajaran mesin bukanlah tugas yang sulit. Namun, ia hadir dengan batasannya sendiri. Regresi logistik tidak akan dapat menangani fitur kategorikal dalam jumlah besar. Dalam contoh yang telah kita bahas sejauh ini, kami mengurangi sebagian besar fitur.

Namun, jika fitur ini penting dalam prediksi kami, kami akan dipaksa untuk memasukkannya, tetapi regresi logistik akan gagal memberikan akurasi yang baik. Regresi logistik juga rentan terhadap overfitting. Ini tidak dapat diterapkan pada masalah non-linier. Ini akan berkinerja buruk dengan variabel independen yang tidak berkorelasi dengan target dan berkorelasi satu sama lain. Dengan demikian, Anda harus mengevaluasi dengan cermat kesesuaian regresi logistik dengan masalah yang Anda coba selesaikan.

Ada banyak area pembelajaran mesin di mana teknik lain yang ditentukan dirancang. Untuk beberapa nama, kami memiliki algoritme seperti k-neighbourhood (kNN), Linear Regression, Support Vector Machines (SVM), Decision Trees, Naive Bayes, dan sebagainya. Sebelum menyelesaikan model tertentu, Anda harus mengevaluasi penerapan berbagai teknik ini pada masalah yang kami coba selesaikan.