python 多分类logistic回归

多分类logistic回归可以使用Scikit-learn库中的LogisticRegression模型来实现。以下是一个简单的例子：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义LogisticRegression模型，并进行训练
clf = LogisticRegression(multi_class='multinomial', solver='newton-cg')
clf.fit(X_train, y_train)

# 在测试集上进行预测，并计算准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

在上面的例子中，首先加载了Scikit-learn库中的Iris数据集，然后将数据集划分为训练集和测试集。接着定义了LogisticRegression模型，并使用训练集进行训练。最后在测试集上进行预测，并计算准确率。

需要注意的是，多分类logistic回归需要指定multi_class参数为'multinomial'，solver参数为'newton-cg'或'lbfgs'。另外，如果数据集较大，可以使用solver='sag'参数来加快训练速度。