'ovr'和‘ovo’

在多分类问题中，通常需要将其转化为二分类问题来处理。常用的两种策略分别是 One-vs-Rest (OvR) 和 One-vs-One (OvO)。

OvR 策略将每个类别看作一类，将其他所有类别看作另一类，这样就将多分类问题转化为了多个二分类问题。例如，对于一个有3个类别的问题，我们将其分别转化为三个二分类问题。

OvO 策略则将每个类别之间都进行一一对比，例如对于一个有3个类别的问题，我们将其转化为3个二分类问题，分别是第1类和第2类的问题、第1类和第3类的问题、第2类和第3类的问题。

在 scikit-learn 中，对于多分类问题，我们可以通过设置 multi_class 参数来指定使用哪种策略。具体来说，multi_class 参数可以设置为 'ovr'（One-vs-Rest）或 'ovo'（One-vs-One）。默认情况下，multi_class 参数的取值为 'ovr'。

例如，在使用 sklearn.metrics 中的 roc_auc_score 函数计算多分类问题的 AUC 值时，我们可以通过设置 multi_class 参数来指定使用哪种策略。例如：

from sklearn.metrics import roc_auc_score

# 假设 y_test 和 y_scores 已经定义好
# 使用 One-vs-Rest 策略
ovr_auc = roc_auc_score(y_test, y_scores, multi_class='ovr', average='micro')

# 使用 One-vs-One 策略
ovo_auc = roc_auc_score(y_test, y_scores, multi_class='ovo', average='micro')

需要注意的是，不同的策略可能会对结果产生影响，因此需要根据具体情况选择合适的策略。