从上面的示例中可以看出，将逻辑回归应用于机器学习并不是一项艰巨的任务。但是，它有其自身的局限性。逻辑回归将无法处理大量分类特征。在到目前为止讨论的示例中，我们在很大程度上减少了特征数量。

但是，如果这些功能在我们的预测中很重要，我们将不得不将它们包括在内，但是逻辑回归将无法为我们提供良好的准确性。 Logistic回归也容易过拟合。它不能应用于非线性问题。在与目标不相关且彼此相关的自变量下，其性能会很差。因此，您将必须仔细评估逻辑回归对您要解决的问题的适用性。

在机器学习的许多领域中，还设计了其他技术。仅举几例，我们有算法，例如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。在最终确定特定模型之前，您必须评估这些各种技术对我们要解决的问题的适用性。