用 Python 进行逻辑回归 - 局限性

如你从上面的例子中所见，对机器学习应用逻辑回归并不是一项困难的任务。但是，它存在自身局限性。逻辑回归无法处理大量分类特征。在迄今为止讨论的示例中，我们在很大程度上减少了特征数量。

但是，如果这些特征对于我们的预测至关重要，我们就会被迫纳入它们，但那时逻辑回归将无法给我们以很好的准确度。逻辑回归还容易过拟合。它无法应用于非线性问题。它对于与目标无关且相互关联的自变量表现不佳。因此，你必须仔细评估逻辑回归是否适合你试图解决的问题。

机器学习的许多领域规定了其他技术。举几个例子，我们有诸如 k-近邻（kNN）、线性回归、支持向量机（SVM）、决策树、朴素贝叶斯之类的算法。在确定特定模型之前，你必须评估这些各种技术对我们试图解决的问题的适用性。