Logistic Regression In Python 简明教程

正如你从上面的示例中看到的，将逻辑回归应用于机器学习并不是一项困难的任务。但是，它有其自身的局限性。逻辑回归无法处理大量的分类特征。在迄今为止我们讨论的示例中，我们将特征数量减少到了很大程度。

但是，如果这些特征对我们的预测很重要，我们会被迫包含它们，但这样的话逻辑回归将无法给予我们良好的精度。逻辑回归也容易过拟合。它不适用于非线性问题。对于与目标无关且相互关联的自变量，它的表现会很差。因此，你必须仔细评估逻辑回归对你试图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、朴素贝叶斯等等算法。在最终确定某个特定模型之前，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。