Regresión logística en Python – limitaciones

Como vio en el ejemplo anterior, aplicar la regresión logística al aprendizaje automático no es difícil. Sin embargo, tiene sus limitaciones. La regresión logística no podrá manejar una gran cantidad de características categóricas. En el ejemplo que hemos discutido hasta ahora, hemos reducido el número de funciones en gran medida.

Sin embargo, si estas características fueran importantes en nuestro pronóstico, nos veríamos obligados a incluirlas, pero entonces la regresión logística no nos daría una buena precisión. La regresión logística también está sujeta a sobreajuste. No se puede aplicar a un problema no lineal. No funcionará bien con variables explicativas que no estén correlacionadas con el objetivo y estén 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 están desarrollando otras técnicas. Por nombrar algunos, tenemos algoritmos como k vecinos más cercanos (kNN), regresión lineal, máquinas de vectores de soporte (SVM), árboles de decisión, bayesiano ingenuo, etc. Antes de finalizar un modelo en particular, debe evaluar la aplicabilidad de estos diversos métodos al problema que estamos tratando de resolver.

🚫