Hồi quy logistic trong Python - Hạn chế

Như bạn đã thấy từ ví dụ trên, áp dụng hồi quy logistic cho học máy không phải là một nhiệm vụ khó khăn. Tuy nhiên, nó đi kèm với những hạn chế của riêng nó. Hồi quy logistic sẽ không thể xử lý một số lượng lớn các tính năng phân loại. Trong ví dụ mà chúng ta đã thảo luận cho đến nay, chúng ta đã giảm số lượng các tính năng xuống mức rất lớn.

Tuy nhiên, nếu các tính năng này quan trọng trong dự đoán của chúng tôi, chúng tôi sẽ buộc phải đưa chúng vào, nhưng sau đó hồi quy logistic sẽ không cung cấp cho chúng tôi độ chính xác tốt. Hồi quy logistic cũng dễ bị trang bị quá mức. Nó không thể được áp dụng cho một bài toán phi tuyến tính. Nó sẽ hoạt động kém với các biến độc lập không tương quan với mục tiêu và tương quan với nhau. Do đó, bạn sẽ phải đánh giá cẩn thận mức độ phù hợp của hồi quy logistic đối với vấn đề mà bạn đang cố gắng giải quyết.

Có rất nhiều lĩnh vực học máy nơi các kỹ thuật khác được chỉ định được phát minh ra. Để kể tên một số, chúng tôi có các thuật toán như k-láng giềng gần nhất (kNN), Hồi quy tuyến tính, Máy vectơ hỗ trợ (SVM), Cây quyết định, Naive Bayes, v.v. Trước khi hoàn thiện một mô hình cụ thể, bạn sẽ phải đánh giá khả năng áp dụng của các kỹ thuật khác nhau này đối với vấn đề mà chúng tôi đang cố gắng giải quyết.