Regresión logística en Python: limitaciones

Como ha visto en el ejemplo anterior, aplicar la regresión logística para el aprendizaje automático no es una tarea difícil. Sin embargo, tiene sus propias limitaciones. La regresión logística no podrá manejar una gran cantidad de características categóricas. En el ejemplo que hemos discutido hasta ahora, redujimos el número de características en gran medida.

Sin embargo, si estas características fueran importantes en nuestra predicción, nos habríamos visto obligados a incluirlas, pero entonces la regresión logística no nos proporcionaría una buena precisión. La regresión logística también es vulnerable al sobreajuste. No se puede aplicar a un problema no lineal. Funcionará mal con variables independientes que no están correlacionadas con el objetivo y están correlacionadas entre sí. Por lo tanto, deberá evaluar cuidadosamente la idoneidad de la regresión logística para el problema que está tratando de resolver.

Hay muchas áreas del aprendizaje automático en las que se especifican otras técnicas. Para nombrar algunos, tenemos algoritmos como k vecinos más cercanos (kNN), regresión lineal, máquinas de vectores de soporte (SVM), árboles de decisión, bayes ingenuos, etc. Antes de finalizar con un modelo en particular, deberá evaluar la aplicabilidad de estas diversas técnicas al problema que estamos tratando de resolver.