数学建模(多分类问题)

前言 

多分类问题是机器学习中的一种常见任务，其目标是将输入数据分配到三个或更多预定义的类别之中。解决这类问题的方法包括一对一（One-vs-One, OvO）和一对多（One-vs-All, OvA 或 One-vs-Rest, OvR）策略，前者通过构建多个分类器来比较每对类别，后者则是为每个类别构建一个分类器以区别该类别和其他所有类别。这些技术有助于从给定的训练数据集中学习分类模型，并在新的未知数据上进行准确的预测。

任务介绍

今天就带大家了解一下多分类问题，前面两个帖子讲的都是回归问题，本次任务是在sklearn的数据库中抓取20个类别新闻数据集，创建一个逻辑回归模型，将文本数据转化为特征向量，使用模型训练该数据，将训练好的模型对新的数据集进行预测，最后计算预测值与真实值之间的准确度。

逻辑回归与线性回归区别

1. 目标变量类型
线性回归：适用于连续型目标变量。预测的结果是一个数值范围内的值。
逻辑回归：适用于二分类或多元分类问题。预测的是类别标签的概率。
2. 模型输出
线性回归：输出是一个实际的数值，比如房价、销售额等。
逻辑回归：输出是一个介于0和1之间的概率值，表示某个样本属于某一类别的概率。
3. 损失函数
线性回归：常用最小二乘误差作为损失函数。
逻辑回归：使用对数似然损失函数（也称为交叉熵损失函数）。

代码解析

from sklearn.datasets import fetch_20newsgroups # 在sklearn数据库中抓取20个类别的新闻数据
from sklearn.pipeline import make_pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

首先导入训练模型所需要的库

pip install -U scikit-learn

该指令用于终端下载sklearn库，scikit-learn 是一个广泛使用的 Python 库，主要用于机器学习任务。它提供了大量的工具和算法，可以轻松地实现数据预处理、特征选择、模型训练、模型评估等一系列机器学习流程。

sklearn.datasets.fetch_20newsgroups 是一个函数，它用于从互联网上获取 "20 Newsgroups" 数据集 包含