网站一键生成网络营销岗位描述的内容

普通的逻辑回归只能针对二分类问题，也就是分类结果为是和不是，好和不好等问题，而实际应用中还会有多分类的问题，例如金融行业信用评分中需要将用户分为好，中，差三类，对企业信用评级要划分为低风险，中风险，高风险等等。要想实现多个类别的分类，我们必须要改进logistic回归，让其适应多分类问题。

逻辑回归多分类模型是二分类模型的拓展。主要有OVO/OVR和Softmax回归等拓展方法,其中，OVO/OVR是基于二分类模型的一种通用拓展方法。而Softmax回归是修改逻辑回归的损失函数，让其适应多分类问题。

OVO/OVR

一对一分类器(OvO，One Vs One）

​ 对于OvO策略，我们将训练样本中的 $n$ 个类别两两配对，从而产生$n(n-1)/2$ 个分类任务(也就是就是组合$C_n^2$)。我们每次拿其中的两类去训练一个分类器，最终将训练出 $n(n-1)/2$ 个分类器。当预测一组数据时，分别用这 $n(n-1)/2$个分类器进行预测，最终的结果为所有预测结果中最多的那一个(即投票选出结果)。

接下来举一个栗子来帮助大家理解OvO的分类过程。

假设现在数据集的分布如下图所示（其中A，B，C代表训练数据的类别）

OvO首先从训练集中划分不同的两个类别的组合来训练出多个分类器。因为例子中是三类，所以两两分类后会有$C_3^2$=3 个分类器，如下图所示(其中每一个矩形框代表一种划分)：

在预测阶段，只需要将样本分别扔给训练阶段训练好的3个分类器进行预测，相当于进行三次逻辑回归二分类，最后将3个分类器预测出的结果进行投票统计，票数最高的结果为预测结果。假设样本是符合A分类的，那么这一个样本在3个分类器中的结果如下图所示：

在三个分类器中会有两个分类结果为A分类，次数最多，所以最终结果就判断分类结果为A

一对其余分类器(OvR，One Vs Rest)

​ 对于OvR策略，枚举每一种类别，将枚举到的类别作为正例而其他的统一作为反例，这样只需要训练 $n$ 个分类器。当预测一组数据时，分别用这 $n$个分类器进行预测，选取结果为正例 (只可能有一个为正例) 的类别作为最终结果。

同样来举一个栗子来帮助大家理解OvO的分类过程。和上面一样假设现在有A，B，C共3个分类的训练数据集：

OvR在训练阶段取一种样本作为一类，将剩余的所有类型的样本看做另一类，

这样就形成了3个二分类问题,对应有3个分类器。

在预测阶段，只需要将样本分别扔给训练阶段训练好的3个分类器进行预测，最后选概率最高的类别作为最终结果。如下图所示

区别

从具体的分类流程可以知道OvO用时较多，在类别较多的情况下$C_n^2$个分类器个数远远多于OvR的$n$个分类器。但OvO分类结果更准确，因为每一次二分类时都用真实的类型进行比较，没有混淆其它的类别；

Softmax

对于二分类问题，我们可以使用Sigmod函数（又称Logistic函数）。将$(-\infty ,+\infty )$范围内的数值映射成为一个$(-1,1)$区间的数值，一个$(-1,1)$区间的数值恰好可以用来表示概率。

而为了能将线性回归后的数值进行多分类，需要输出每个类别的概率，这样就可以选择一个概率最高的类别作为预测结果，从而实现多分类。使用的Softmax的公式如下
$$\text{Softmax}(z_i)=\frac{e^{z_i}}{{\sum }_j{e}^{z_j}}$$

Softmax公式大致就是对数据做了归一化，可以让计算出的所有的值都是 [0, 1] 之间的（因为概率必须是 [0, 1]），且所有的值加起来等于 1。用实际数据举个栗子，如下：

可以看到softmax将原来输出是3,1,-3通过softmax函数一作用，就映射成为(0,1)的值，而这些值的累和为1（满足概率的性质），那么我们就可以将它理解成概率，在最后选取输出结点的时候，我们就可以选取概率最大（也就是值对应最大的）结点，作为我们的预测目标！

参考文章：
https://zhuanlan.zhihu.com/p/45230536
https://www.zhihu.com/question/273645014
https://blog.csdn.net/alw_123/article/details/98869193
https://blog.csdn.net/qq_44350242/article/details/112372860