我正在尝试使用逻辑回归解决一个多类分类问题。我的数据集有3个不同的类，每个数据点只属于一个类。这里是样本训练数据;
这里的第一列是我添加的作为偏置项的全1向量。目标列已使用标签二值化的概念进行了二值化处理，如sickit-learn中所述
然后我得到了如下目标;
array([[1, 0, 0], [1, 0, 0], [0, 1, 0], [1, 0, 0], [1, 0, 0]])接下来，我使用一对多的概念进行训练，即每次训练一个分类器。样本代码;
for i in range(label_train.shape[1]): clf = LogisticRegression(random_state=0,multi_class='ovr', solver='liblinear',fit_intercept=True).\ fit(train_data_copy, label_train[:,i]) #print(clf.coef_.shape)如您所见，我总共训练了3个分类器，每个标签一个。我在这里有两个问题;
第一个问题: 根据sickit-learn的文档,
multi_class{‘auto’, ‘ovr’, ‘multinomial’}, default=’auto’如果选择的选项是‘ovr’，那么每个标签都会拟合一个二元问题。对于‘multinomial’，最小化的损失是跨整个概率分布的多项式损失，即使数据是二元的。当solver=‘liblinear’时，‘multinomial’不可用。‘auto’在数据为二元或solver=‘liblinear’时选择‘ovr’，否则选择‘multinomial’。
我的问题是，由于我选择了liblinear作为求解器（是一对多的问题），选择multi_class为auto还是ovr是否有区别。
第二个问题，关于截距（或偏置）项。文档中说如果fit_intercept=True，则会在决策函数中添加一个偏置项。但我注意到，当我没有在数据矩阵中添加全1向量时，尽管fit_intercept=True，系数向量theta中的参数数量与特征数量相同。我的问题是，我们是否需要在数据矩阵中添加全1向量，同时启用fit_intercept，以便在决策函数中添加偏置项。
回答：
- 没有区别; 如您可能在这里看到的，无论选择
multi_class='auto'还是multi_class='ovr'，当solver='liblinear'时都会导致相同的结果。 - 在
solver='liblinear'的情况下，会使用一个默认的等于1的偏置项，并通过intercept_scaling属性附加到X上（这仅在fit_intercept=True时有用），如您在这里看到的。拟合后的偏置（维度(n_classes,)）将由intercept_返回（如果fit_intercept=False则为零值）。拟合的系数由coef_返回（维度(n_classes, n_features)而不是(n_classes, n_features + 1)– 分割在这里这里完成）。
这里是一个例子，考虑Iris数据集（有3个类和4个特征）:
from sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegressionX, y = load_iris(return_X_y=True)clf = LogisticRegression(random_state=0, fit_intercept=True, multi_class='ovr', solver='liblinear')clf.fit(X, y)clf.intercept_, clf.coef_################################(array([ 0.26421853, 1.09392467, -1.21470917]), array([[ 0.41021713, 1.46416217, -2.26003266, -1.02103509], [ 0.4275087 , -1.61211605, 0.5758173 , -1.40617325], [-1.70751526, -1.53427768, 2.47096755, 2.55537041]]))