Regresja logistyczna w Pythonie - ograniczenia
Jak widać na powyższym przykładzie, zastosowanie regresji logistycznej do uczenia maszynowego nie jest trudnym zadaniem. Jednak ma swoje własne ograniczenia. Regresja logistyczna nie będzie w stanie obsłużyć dużej liczby cech kategorialnych. W omawianym dotychczas przykładzie w bardzo dużym stopniu zmniejszyliśmy liczbę funkcji.
Gdyby jednak te cechy były ważne w naszej prognozie, bylibyśmy zmuszeni je uwzględnić, ale wtedy regresja logistyczna nie zapewniłaby nam dobrej dokładności. Regresja logistyczna jest również podatna na nadmierne dopasowanie. Nie można go zastosować do problemu nieliniowego. Będzie działać słabo ze zmiennymi niezależnymi, które nie są skorelowane z celem i są ze sobą skorelowane. Dlatego będziesz musiał dokładnie ocenić przydatność regresji logistycznej do problemu, który próbujesz rozwiązać.
Istnieje wiele obszarów uczenia maszynowego, w których wymyślono inne techniki. Aby wymienić tylko kilka, mamy algorytmy, takie jak k-najbliższych sąsiadów (kNN), regresja liniowa, maszyny wektorów nośnych (SVM), drzewa decyzyjne, Bayes naiwny i tak dalej. Przed finalizacją na konkretnym modelu będziesz musiał ocenić przydatność tych różnych technik do problemu, który próbujemy rozwiązać.