Regressione logistica in Python - Limitazioni

Come hai visto dall'esempio precedente, l'applicazione della regressione logistica per l'apprendimento automatico non è un compito difficile. Tuttavia, ha i suoi limiti. La regressione logistica non sarà in grado di gestire un gran numero di caratteristiche categoriali. Nell'esempio che abbiamo discusso finora, abbiamo ridotto il numero di funzionalità in misura molto ampia.

Tuttavia, se queste caratteristiche fossero importanti nella nostra previsione, saremmo stati costretti a includerle, ma poi la regressione logistica non riuscirebbe a darci una buona precisione. Anche la regressione logistica è vulnerabile all'overfitting. Non può essere applicato a un problema non lineare. Funzionerà male con variabili indipendenti che non sono correlate all'obiettivo e sono correlate tra loro. Pertanto, dovrai valutare attentamente l'idoneità della regressione logistica al problema che stai cercando di risolvere.

Esistono molte aree dell'apprendimento automatico in cui vengono specificate altre tecniche. Per citarne alcuni, abbiamo algoritmi come k-Nearest Neighbors (kNN), Linear Regression, Support Vector Machines (SVM), Decision Trees, Naive Bayes e così via. Prima di finalizzare un particolare modello, dovrai valutare l'applicabilità di queste varie tecniche al problema che stiamo cercando di risolvere.