1、什么是多分类任务？
针对多类问题的分类中，具体讲有两种，即multiclass classification和multilabel classification。
multiclass是指分类任务中包含不止一个类别时，每条数据仅仅对应其中一个类别，不会对应多个类别。
multilabel是指分类任务中不止一个分类时，每条数据可能对应不止一个类别标签，例如一条新闻，可以被划分到多个板块。
无论是multiclass，还是multilabel，做分类时都有两种策略，一个是one-vs-the-rest(one-vs-all)，一个是one-vs-one。
简称就是OvR和OvO
2、OvR和OvO的原理是什么？
OvR： 假设有n个类别，选择其中一个作为1类，剩下的n-1作为一类。进行n次分类，选择分类得分最高的。
OvO: 同样假设有n个类别，则会针对两两类别建立二项分类器，得到k=n*(n-1)/2个分类器。 然后进行K次分类，选择最高的；
通常来说，OvO耗时较多，但较为准确。
3、Sklearn中是如何实现多类别分类的？
在逻辑回归中，有个参数是：
multi_class : str, {‘ovr’, ‘multinomial’, ‘auto’}, default: ‘ovr’ 声明是多类别分类。
log_reg2 = LogisticRegression(multi_class="multinomial", solver="newton-cg")利用鸢尾花测试集：
X, y = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
log_reg2 = LogisticRegression(multi_class="multinomial", solver="newton-cg")
log_reg2.fit(X_train, y_train)
print log_reg2.score(X_test, y_test)
运行结果是1.0
此外，在Sklearn中，针对OvR和OvO专门封装了分类器。
X, y = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)
log_reg.score(X_test, y_test)
from sklearn.multiclass import OneVsRestClassifier
ovr = OneVsRestClassifier(log_reg)
ovr.fit(X_train, y_train)
print 'ovr:', ovr.score(X_test, y_test)
from sklearn.multiclass import OneVsOneClassifier
ovo = OneVsOneClassifier(log_reg)
ovo.fit(X_train, y_train)
ovo.score(X_test, y_test)
print 'ovo:', ovo.score(X_test, y_test)分类结果：
ovr: 0.9473684210526315
ovo: 1.0
最后注意一下：
1、OneVsOneClassifier和OnevsRestClassifier都是在sklearn中的multiclass下面
2、初始化这两个分类器的时候需要传入分类的模型。
参考文章：