Machine learning Logistic回归学习获得分类系数

我正在做多类分类，并对其应用逻辑回归

当我通过调用

logistic.fit(InputDATA,OutputDATA)

估计值“逻辑”与数据相符

现在，当我调用logistic.coef时，它会打印一个2D数组 有4行（我有四个类）和n列（每个特性一个）

这是我在SCIKIT学习网站上看到的：

系数：阵列、形状（n个特征）或（n个目标、n个特征） 线性回归问题的估计系数。如果多个 在拟合过程中传递目标（y 2D），这是形状的2D阵列 （n_目标，n_特征），而如果只传递了一个目标，则这是一个 长度n_特征的一维数组

现在我的问题是：

---

为什么不同的类有不同的系数，因为我只需要一个预测输出的假设。

因为有一个多类案例（>2个案例），所以应用了一对一策略。 sklearn创建了4个Classifier，而不仅仅是1个。 因此你有4个假设和4个系数

---

注意：我对逻辑回归分类器没有任何线索，但sklearn SVM就是这样工作的。

您将根据L1或L2正则化得到输入特征的系数。如果不指定L1或L2，则模型将假定L2。您可以将这些系数用于模型优化或特征工程

非常感谢。我现在就知道了。现在使用四个分类器，其中一个具有最大概率形成输出类。因此，logistic.predict是否使用此方法选择适当的分类器？？在训练阶段生成了4个分类器。一个将A与BCD分开，一个将B与ACD分开，依此类推。将一个新样本（即predict（））输入所有四个分类器。支持率最高的分类器获胜。例如，您的新类是C，那么C与ABD分类器的概率高于其他分类器。C是predict（）的返回值。