Как вы видели из приведенного выше примера, применение логистической регрессии для машинного обучения не является сложной задачей. Однако это имеет свои ограничения. Логистическая регрессия не сможет обрабатывать большое количество категориальных функций. В примере, который мы обсуждали до сих пор, мы значительно сократили количество функций.
Однако, если бы эти особенности были важны в нашем прогнозе, мы были бы вынуждены включить их, но тогда логистическая регрессия не дала бы нам хорошую точность. Логистическая регрессия также уязвима для переоснащения. Это не может быть применено к нелинейной задаче. Он будет плохо работать с независимыми переменными, которые не связаны с целью и связаны друг с другом. Таким образом, вам придется тщательно оценить пригодность логистической регрессии к проблеме, которую вы пытаетесь решить.
Существует много областей машинного обучения, в которых определены другие методы. Чтобы назвать несколько, у нас есть алгоритмы, такие как k-ближайшие соседи (kNN), линейная регрессия, машины опорных векторов (SVM), деревья решений, наивный байесовский метод и так далее. Прежде чем завершить работу над конкретной моделью, вам необходимо оценить применимость этих различных методов к проблеме, которую мы пытаемся решить.