我知道我一次问了很多问题，但这些是我在使用逻辑回归进行鸢尾花数据集分析时产生的疑问。
这是我在鸢尾花数据集上使用LogisticRegression的代码。
iris = datasets.load_iris()X, y = iris.data, iris.targetx_train, x_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state= 81, test_size=0.3)logreg = LogisticRegression()logreg.fit(x_train, y_train)pred = logreg.predict(x_test)accuracy_score(y_test, pred) # 这给出准确率0.95555我知道逻辑回归通过预测结果为1或0来工作，但对于这个鸢尾花数据集，需要根据指定分类为0或1或2。
问）我需要使用StandardScalar标准化数据吗？
问）这是如何工作的？我知道LR通过预测是或否来工作，但在鸢尾花这里，我们需要预测0或1或2。
问）如果LogisticRegression也适用于多类分类，那么我如何优化上述代码，以在其他我想尝试的多类数据集上获得更好的预测？
问）我需要转换我的y_train吗，或者我需要对其进行任何类型的编码等才能使其工作？
如果有人能帮助我解决这些问题，我将不胜感激。任何好的参考资料也将受到欢迎。
回答：
我需要使用StandardScalar标准化数据吗？
一般来说，这被称为特征缩放，为此目的有不止一种缩放器，简而言之：
StandardScaler：通常是你的首选选项，它非常常用。它通过标准化数据来工作（即居中），以使它们达到STD=1和Mean=0。它会受到异常值的影响，并且只有在你的数据具有高斯分布时才应使用。MinMaxScaler：通常在你想将所有数据点带入特定范围时使用（例如[0-1]）。它容易受到异常值的影响，因为它使用了范围。RobustScaler：它对异常值“robust”，因为它根据四分位范围来缩放数据。然而，你应该知道，缩放后的数据中仍然会存在异常值。MaxAbsScaler：主要用于稀疏数据。单位归一化：基本上，它将每个样本的向量缩放为单位范数，与样本的分布无关。
现在，作为经验法则，我们通常因为以下一个（或多个）原因来缩放特征：
- 某些算法要求特征被缩放，例如神经网络。（例如为了避免梯度消失），另一个例子是当我们在SVM中使用
RBF核时…等。 - 特征缩放提高/加速收敛。
- 当特征在大小、单位和范围上差异很大时（例如5公斤和5000克），因为我们不希望算法错误地认为一个特征比另一个更重要（即对模型有更大的影响）。
如你所见，特征缩放与你Y中类别的数量无关。
…但对于这个鸢尾花数据集，需要根据指定分类为0或1或2…这是如何工作的？我知道LR通过预测是或否来工作，但在鸢尾花这里，我们需要预测0或1或2
这里的基本思想是Scikit LogisticRegresser使用一对多（OvR）方案-默认情况下-来解决它（也称为一对所有），它工作（用我能想到的最简单的话来说）如下：
为每个类i训练一个逻辑回归分类器，以预测y = i的概率。在新的输入x上进行预测时，选择具有最大似然性（即最高假设结果）的类i，换句话说，它将多类分类问题简化为多个二元分类问题，欲了解更多详情，请查看这里。
如果
LogisticRegression也适用于多类分类，那么我如何优化上述代码，以在其他我想尝试的多类数据集上获得更好的预测？
嗯，你不需要进行任何优化，你抽象地使用Scikit库，所以它会处理优化问题，实际上它是通过使用一个求解器来实现的，关于求解器的比较，请查看这里（我曾经在Stackoverflow上写过）。
我需要转换我的y_train吗，或者我需要对其进行任何类型的编码等才能使其工作？
对于你的特定情况（即对于鸢尾花数据集），答案是不需要，因为它已经为你准备好了，但如果依赖变量中的值（即Y）不是数字，那么你应该将它们转换为数字，例如，如果你有4个类，你可以用一个数字来表示每个类（例如0, 1, 2, 3）。（替换0和1为男和女的示例）（你应该做相反的事情，但你从中明白了:D）。
我强烈推荐你开始学习的一个非常好的参考资料是这门由Andrew NG教授开设的课程，它将清除你所有的疑问。
