扫码加入数据分析学习群

Logistic回归不仅限于解决二元分类问题。 为了解决具有多个类的问题，我们可以使用Logistic回归的扩展，其包括多项Logistic回归和Ordinal Logistic回归 。 让我们来看一下他们的基本想法：

1.多项Logistic回归：假设我们的目标变量有K = 4类。 该技术通过拟合K-1独立二元逻辑分类器模型来处理多类问题。 为此，它随机选择一个目标类作为参考类，并适合K-1回归模型，将剩余的每个类与参考类进行比较。

由于其限制性质，它没有被广泛使用，因为它在大量目标类别的存在下不能很好地扩展。 此外，由于它构建了K-1模型，我们需要更大的数据集来实现合理的准确性。

2.序数Logistic回归：当目标变量本质上是序数时使用此技术。 让我们说，我们想要预测多年的工作经验（1,2,3,4,5等）。 因此，值中存在顺序，即5> 4> 3> 2> 1。 与多项模型不同，当我们训练K -1模型时，序数逻辑回归构建具有多个阈值的单个模型。

如果我们有K类，模型将需要K -1阈值或截止点。 而且，它是比例赔率的必然假设。 假设在logit（S形）尺度上，所有阈值都在一条直线上。

注意： Logistic回归不是解决多类问题的绝佳选择。 但是，了解它的类型是件好事。 真实运用中更关注二进制分类任务的Logistic回归。