Scikit-learn中怎么实现多类别分类

在Scikit-learn中，可以使用多种算法来实现多类别分类，其中最常用的是使用One-vs-One（OvO）或One-vs-All（OvA）策略。以下是使用Logistic Regression模型进行多类别分类的简单示例：

from sklearn.linear_model import LogisticRegressionfrom sklearn.datasets import make_classificationfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score# 生成样本数据X, y = make_classification(n_samples=1000, n_features=20, n_classes=3, n_clusters_per_class=1, random_state=42)# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练Logistic Regression模型model = LogisticRegression()model.fit(X_train, y_train)# 预测y_pred = model.predict(X_test)# 计算准确率accuracy = accuracy_score(y_test, y_pred)print("Accuracy: ", accuracy)

在上面的示例中，我们使用Logistic Regression模型对3个类别的样本数据进行分类，并计算模型的准确率。实际上，Scikit-learn中的大多数分类算法都支持多类别分类，你可以根据自己的需求选择合适的算法进行实现。