محدودیت های رگرسیون لجستیک در پایتون 

محدودیت های رگرسیون لجستیک در پایتون 

در این درس از مجموعه آموزش برنامه نویسی سایت سورس باران، به آموزش محدودیت های رگرسیون لجستیک در پایتون  خواهیم پرداخت.

همانطور که از مثال فوق مشاهده کردید، استفاده از رگرسیون لجستیک برای یادگیری ماشین کار دشواری نیست. با این حال، این با محدودیت های خاص خود همراه است. رگرسیون لجستیک قادر به کنترل تعداد زیادی از ویژگیهای طبقه ای نخواهد بود. در مثالی که تاکنون بحث کردیم، تعداد ویژگیها را تا حد بسیار زیادی کاهش دادیم.

پیشنهاد ویژه : پکیج آموزش طراحی وب سایت با پایتون

با این حال، اگر این ویژگی ها در پیش بینی ما مهم بودند، مجبور می شدیم که آنها را وارد کنیم اما پس از آن رگرسیون لجستیک نمی تواند دقت خوبی در ما ایجاد کند. رگرسیون لجستیک نیز در برابر تجهیزات اضافی آسیب پذیر است. نمی توان آن را برای یک مسئله غیر خطی اعمال کرد. این عملکرد با متغیرهای مستقلی که با هدف همبستگی ندارند و با یکدیگر همبستگی دارند ضعیف عمل خواهد کرد. بنابراین شما باید مناسب بودن رگرسیون لجستیک را برای مشکلی که می خواهید حل کنید را به دقت ارزیابی کنید.

زمینه های زیادی برای یادگیری ماشین وجود دارد که در آن تکنیک های دیگری نیز طراحی شده است. برای نام بردن از چند مورد، الگوریتم هایی مانند k- نزدیکترین همسایگان (kNN) ، رگرسیون خطی، ماشینهای بردار پشتیبانی (SVM)، درخت تصمیم گیری ، Naive Bayes و غیره داریم. قبل از نهایی کردن یک مدل خاص، شما باید کاربرد این تکنیک های مختلف را برای مشکلی که ما در حال حل آن هستیم ارزیابی کنید.

منبع.

لیست جلسات قبل آموزش رگرسیون لجستیک در پایتون

1.  آموزش رگرسیون لجستیک در پایتون
2. معرفی رگرسیون لجستیک در پایتون 
3. آموزش مطالعه موردی رگرسیون لجستیک در پایتون 
4. آموزش راه اندازی یک پروژه رگرسیون لجستیک در پایتون
5. آموزش دریافت داده ها رگرسیون لجستیک در پایتون 
6. آموزش تجدید ساختار داده ها رگرسیون لجستیک در پایتون 
7. آموزش آماده سازی داده ها رگرسیون لجستیک در پایتون
8. آموزش تقسیم داده ها رگرسیون لجستیک در پایتون
9. آموزش طبقه بندی کننده ساختمان رگرسیون لجستیک در پایتون 
10. آموزش تست رگرسیون لجستیک در پایتون
11. محدودیت های رگرسیون لجستیک در پایتون