逻辑回归多分类 python

在Python中，可以使用逻辑回归来进行多分类任务。一种常用的方法是使用一对多（One-vs-Rest，OvR）策略，也被称为多标签二分类。

下面是一个使用逻辑回归进行多分类的示例代码：

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 = iris.data
y = iris.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率:", accuracy)

在这个示例中，我们使用了鸢尾花数据集作为示例数据。首先，我们将数据集划分为训练集和测试集，然后创建一个逻辑回归模型。接下来，我们使用训练集来训练模型，并使用测试集进行预测。最后，我们计算准确率来评估模型的性能。

请注意，逻辑回归本身是用于二分类问题的算法，但通过使用一对多策略，我们可以将其扩展到多分类任务。在此策略下，我们为每个类别训练一个二分类模型，来区分该类别与其他所有类别的组合。