one-versus-rest五分类算法代码

以下是使用 Python 实现 OvR 五分类算法的示例代码：

from sklearn.linear_model import LogisticRegression
from sklearn.multiclass import OneVsRestClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score
from sklearn.model_selection import train_test_split
import numpy as np

# 准备数据集
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6], [6, 7], [7, 8], [8, 9], [9, 10], [10, 11]])
y = np.array([0, 0, 1, 1, 2, 2, 3, 3, 4, 4])

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练五个二分类器
clf = OneVsRestClassifier(LogisticRegression())
clf.fit(X_train, y_train)

# 预测类别
y_pred = clf.predict(X_test)

# 评估模型
acc = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, average='macro')
recall = recall_score(y_test, y_pred, average='macro')

print("Accuracy:", acc)
print("Precision:", precision)
print("Recall:", recall)

在这个示例代码中，我们使用 numpy 库生成了一个二维的数据集 X，其中每个样本有两个特征。标签 y 中有五个类别，我们将其分别用数字 0~4 表示。然后使用 train_test_split 函数将数据集拆分为训练集和测试集，其中测试集占 20%。

接着，使用 sklearn 库中的 OneVsRestClassifier 类来训练五个二分类器。这里我们使用逻辑回归算法作为二分类器。训练完成后，使用 predict 函数对测试集进行预测，并计算准确率、精确率、召回率等指标。

需要注意的是，这里使用的是 sklearn 库中的 OvR 多分类算法实现，与手动实现的算法可能有所不同。