】不同多分类策略的效果如何？有何差异？ （1）尝试对比 LogisticRegression 中的 multi_class =’ovr’或’multinomial’两种多分类的差异。 （2）尝试使用 Multiclass classification 中提供的 3 种多分类策略，并对比效果。 提示：进行对比时，要保证数据集划分一致且分析的特征一致。 可从训练集、测试集准确率，和边界可视化角度进行对比。

对于多分类问题，LogisticRegression 模型有两种实现方式：

1. 一对多策略(OvR)：将多分类问题转化为多个二分类问题，每个问题都是一个类别与其他所有类别的区分，最终得到多个二分类器，预测时将样本分别输入到各个二分类器中，输出最高概率对应的类别。这种方法比较简单，但可能存在某些类别之间的决策边界重叠问题。

2. softmax 回归策略(multinomial)：直接将所有类别的概率作为模型的输出，同时考虑所有类别之间的关系，采用交叉熵等损失函数进行优化。这种方法相对于一对多策略来说，考虑了所有类别之间的关系，得到的决策边界更加平滑。

在使用 LogisticRegression 模型时，我们可以通过设置参数 multi_class 来选择不同的多分类策略，如 multi_class='ovr' 表示使用一对多策略，multi_class='multinomial' 表示使用 softmax 回归策略。

除了 LogisticRegression 模型提供的两种多分类策略外，scikit-learn 还提供了其他三种多分类策略：OneVsOne、OneVsRest、和 Error-Correcting Output Codes (ECOC)。这三种策略的主要思想都是将多分类问题转化为多个二分类问题，不同的是转化方式不同。

在进行多分类问题的比较时，我们可以考虑以下几个方面：

1. 准确率：对比各个策略在测试集上的准确率，以评估模型的分类性能。

2. 边界可视化：对比各个策略得到的决策边界，以直观感受各个策略之间的差异。

3. 训练时间和复杂度：对比各个策略的训练时间和模型复杂度，以评估各个策略的可用性和适用性。

综上，对于多分类问题，我们应该根据实际情况选择不同的多分类策略，并结合具体的评估指标进行比较和选择。