Python 中的逻辑回归 - 局限性

正如您从上面的示例中看到的那样，将逻辑回归应用于机器学习并不是一件难事。 但是，它有其自身的局限性。 逻辑回归将无法处理大量的分类特征。 在我们目前讨论的例子中，我们在很大程度上减少了特征的数量。

但是，如果这些特征在我们的预测中很重要，我们就会被迫将它们包括在内，但这样逻辑回归就无法为我们提供良好的准确性。 逻辑回归也容易过度拟合。 它不适用于非线性问题。 对于与目标不相关但彼此相关的自变量，它的表现会很差。 因此，您必须仔细评估逻辑回归对您要解决的问题的适用性。

机器学习的许多领域都指定了其他技术。 举几个例子，我们有诸如 k 最近邻 (kNN)、线性回归、支持向量机 (SVM)、决策树、朴素贝叶斯等算法。 在最终确定特定模型之前，须评估这些不同技术对试图解决问题的适用性。