Regressão Logística em Python - Limitações

Como você viu no exemplo acima, aplicar regressão logística para aprendizado de máquina não é uma tarefa difícil. No entanto, ele vem com suas próprias limitações. A regressão logística não será capaz de lidar com um grande número de características categóricas. No exemplo que discutimos até agora, reduzimos muito o número de recursos.

No entanto, se esses recursos fossem importantes em nossa previsão, teríamos sido forçados a incluí-los, mas então a regressão logística não nos forneceria uma boa precisão. A regressão logística também é vulnerável ao sobreajuste. Não pode ser aplicado a um problema não linear. Ele terá um desempenho insatisfatório com variáveis ​​independentes que não estão correlacionadas com o alvo e estão correlacionadas entre si. Assim, você terá que avaliar cuidadosamente a adequação da regressão logística ao problema que está tentando resolver.

Existem muitas áreas de aprendizado de máquina em que outras técnicas são desenvolvidas. Para citar alguns, temos algoritmos como k-vizinhos mais próximos (kNN), regressão linear, máquinas de vetores de suporte (SVM), árvores de decisão, Naive Bayes e assim por diante. Antes de finalizar em um modelo específico, você terá que avaliar a aplicabilidade dessas várias técnicas ao problema que estamos tentando resolver.