版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/sinat_36811967/article/details/84378246
逻辑回归主要用来解决二分类问题，但是在工作学习中，我们肯定会碰到多分类的问题，下面就简单介绍下用逻辑回归解决多分类问题的方法。
one-VS-rest
从上面的名字就可以看出来，这个做法是通过对一个n分类问题训练n个分类器，其中每个分类器是区分某一个类别和剩下所有类别的（1，0）。预测的时候，根据每个分类器预测为某一类（1）的概率，最大值即为预测结果。
优点：普适性较广，效率相对较好，多少个类别训练多少个分类器即可。
缺点：如果种类较多，各个分类器数据不平衡的现象就会非常明显。
one-VS-one
顾名思义，就是对所有类别每两个训练一个分类器，那么要训练的分类器就有n*（n-1）/2 个，预测的时候就是投票法，每个分类器预测得到某个类别，看哪个类别最终得票最多就是结果。
这样做的优点就是可以规避上一种方法训练数据不平衡的问题，性能相对稳定；还有就是训练模型虽然多，但是相对简单，训练效率会有提升。
缺点就是要训练的分类器太多了，随着分类的增多，要训练的分类器个数呈平方级别的增长。
Softmax
softmax在数学定义上就是对LR二分类在多分类情况下的拓展。
在处理一些样本可能丛属多个类别的分类问题是，使用前两种方法有可能达到更好的效果。
Softmax 回归适合处理一个样本尽可能属于一种类别的多分类问题。