众所周知,逻辑回归常用于解决二分类任务,但是在工作/学习/项目中,我们也经常要解决多分类问题。本文总结了 3 种逻辑回归解决多分类的方法,并分析了他们的优缺点。
一、One-Vs-Rest
假设我们要解决一个分类问题,该分类问题有三个类别,分别用▲,■ 和 × 表示,每个实例(Entity)有两个属性(Attribute),如果把属性 1 作为 X 轴,属性 2 作为 Y 轴,训练集(Training Dataset)的分布可以表示为下图:
![295f33f0f05f05fa259a61a05d265d89.png](https://img-blog.csdnimg.cn/img_convert/295f33f0f05f05fa259a61a05d265d89.png)
One-Vs-Rest 的思想是把一个多分类的问题变成多个二分类的问题。转变的思路是选择其中一个类别为正类(Positive),使其他所有类别为负类(Negative)。
比如第一步,我们将 ▲ 所代表的实例全部视为正类,其他实例全部视为负类,得到的分类器:
![5c5936cc647582218e0a32c1504b8471.png](https://img-blog.csdnimg.cn/img_convert/5c5936cc647582218e0a32c1504b8471.png)
同理第二步,我们把 x 视为正类,其他视为负类,可以得到第二个分类器:
![19dca5bc2b38b68b25e19bfafd7fd52a.png](https://img-blog.csdnimg.cn/img_convert/19dca5bc2b38b68b25e19bfafd7fd52a.png)
最后第三步,第三个分类器是把 ■ 视为正类,其余视为负类: