Pythonでのロジスティック回帰-制限

上記の例からわかるように、機械学習にロジスティック回帰を適用することは難しくありません。ただし、独自の制限があります。ロジスティック回帰では、多数のカテゴリ機能を処理できません。これまで説明した例では、フィーチャの数を非常に大幅に削減しました。

ただし、これらの機能が予測で重要な場合、それらを含めることを余儀なくされましたが、ロジスティック回帰では適切な精度が得られませんでした。ロジスティック回帰もオーバーフィットに対して脆弱です。非線形問題には適用できません。ターゲットに相関せず、互いに相関している独立変数ではパフォーマンスが低下します。したがって、解決しようとしている問題に対するロジスティック回帰の適合性を慎重に評価する必要があります。

機械学習には、他の手法が考案された多くの分野があります。いくつか例を挙げると、k最近傍（kNN）、線形回帰、サポートベクターマシン（SVM）、決定木、単純ベイズなどのアルゴリズムがあります。特定のモデルで最終決定する前に、解決しようとしている問題に対するこれらのさまざまな手法の適用可能性を評価する必要があります。