Какие ограничения есть у логистической регрессии

Логистическая регрессия предполагает линейную зависимость между признаками и логарифмом шансов (log-odds). Она плохо работает с нелинейными зависимостями без предварительного преобразования признаков (например, полиномиальных). Также чувствительна к мультиколлинеарности и выбросам.

Пример с кодом для добавления полиномиальных признаков:

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

# X, y - данные
model = make_pipeline(
    PolynomialFeatures(degree=2),
    LogisticRegression()
)
model.fit(X, y)

Кроме того, логистическая регрессия требует баланса классов и может давать заниженные вероятности при дисбалансе. Для борьбы с этим используют взвешивание классов или методы oversampling/undersampling.