sklearn中实现多分类任务（OVR和OVO）

sklearn中实现多分类任务（OVR和OVO）

1、OVR和OVO是针对一些二分类算法（比如典型的逻辑回归算法）来实现多分类任务的两种最为常用的方式，sklearn中专门有其调用的函数，其调用过程如下所示：

 

#多分类任务的封装OVR(n个)和OVO（Cmn个）
#sklearn中采用的逻辑回归是可以进行多分类任务的，默认采用ovr方式

 

 

from sklearn import datasets
d=datasets.load_iris()
x=d.data
y=d.target
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=1)
#默认的OVR的多分类任务，时间更短，准确度较低
log1=LogisticRegression()
log1.fit(x_train,y_train)
print(log1.score(x_test,y_test))
#修改默认参数，使得其成为OVO的多分类算法，准确度更高一点，时间更长
log2=LogisticRegression(multi_class="multinomial",solver="newton-cg")
log2.fit(x_train,y_train)
print(log2.score(x_test,y_test))
#sklearn中封装的OVO和OVR
#sklearn中对于所有的二分类算法提供了统一的OVR和OVO的分类器函数，可以方便调用实现所有二分类算法的多分类实现
from sklearn.multiclass import OneVsOneClassifier
from sklearn.multiclass import OneVsRestClassifier
from sklearn.model_selection import train_test_split
log_reg=LogisticRegression()        #1-1定义一种二分类算法
ovr=OneVsRestClassifier(log_reg)    #1-2进行多分类转换OVR
ovo=OneVsOneClassifier(log_reg)     #1-2进行多分类转换OVO
ovr.fit(x_train,y_train)            #1-3进行数据训练与预测
print(ovr.score(x_test,y_test))
ovo.fit(x_train,y_train)
print(ovo.score(x_test,y_test))

实现结果如下所示：