【漫话机器学习系列】194.“一对其余”逻辑回归（One-Vs-Rest Logistic Regression）

一对其余（One-Vs-Rest）逻辑回归 ------ 多分类问题中的经典思路

原图作者：Chris Albon

适用场景：机器学习 / 数据挖掘 / 多分类建模

一、背景介绍

1.1 什么是逻辑回归？

逻辑回归（Logistic Regression）是机器学习中一种非常经典的二分类算法。它的核心思想是：

输入特征（X）
输出一个概率（0 到 1 之间）
用阈值（通常是0.5）决定分类结果

适用于解决「是 / 否」这类二分类问题。

1.2 但实际问题往往不止两个类别

现实世界的数据，经常是多类别（Multi-class）的，比如：

场景	类别
邮件分类	正常 / 垃圾 / 广告 / 诈骗
图像识别	狗 / 猫 / 鸟 / 其他
客户状态	活跃 / 流失 / 潜在

那么，逻辑回归能不能处理这种多分类问题呢？

答案是：可以，但需要扩展。其中一种常用的扩展方式就是 ------ 一对其余（One-Vs-Rest，简称 OvR 或 OVR）

二、什么是一对其余（One-Vs-Rest）逻辑回归？

一对其余（One-Vs-Rest Logistic Regression）：是二元逻辑回归的扩展版，用于解决多分类问题。

核心思想非常直观：

针对每个类别，单独构建一个二分类器。
让模型学会区分：
- 这个类别（1）
- 其他所有类别（0）

三、工作机制与流程

假设现在有 3 个类别：

类别A
类别B
类别C

步骤如下：

类别	模型构建方式	训练目标
A vs Rest	A 为正类（1），其他为负类（0）	判断是否属于A
B vs Rest	B 为正类（1），其他为负类（0）	判断是否属于B
C vs Rest	C 为正类（1），其他为负类（0）	判断是否属于C

也就是说，原本是一个多分类问题，现在被拆解为 3 个独立的二分类问题。

四、预测流程

输入一个样本
让这 3 个模型分别打分（预测为各自类别的概率）
选择概率最大的类别，作为最终预测结果

这种思路的好处在于：

简单直接
每个模型专注判断"自己 vs 其他"
可以复用原有的二分类工具（逻辑回归、支持向量机、朴素贝叶斯等）

五、总结

优点	缺点
简单易实现，容易理解	类别不均衡时效果不佳
模型独立训练，便于并行	类别数太多时，模型数量膨胀
兼容所有二分类器	类别之间没有直接关系建模

六、适用场景

One-Vs-Rest 通常适合：

类别数量不多
各类别之间独立、差异较大
希望复用现有二分类模型

七、在 Python 中如何实现 OvR 逻辑回归？

sklearn 已经帮我们封装好了：

ini 复制代码

from sklearn.linear_model import LogisticRegression

# OvR 是 sklearn 中多分类的默认方式
model = LogisticRegression(multi_class='ovr')
model.fit(X_train, y_train)

八、与其他多分类方法对比

方法	说明
One-Vs-Rest	一对其余，每个类别单独建模
One-Vs-One	一对一，每两个类别都建一个模型
Softmax Regression	直接学习多类别之间的概率分布（常用于深度学习）

九、一句话总结

One-Vs-Rest 逻辑回归 = 把多分类问题转化为多个二分类问题，简单、直观，适用于小类别场景，是机器学习入门多分类的首选思路之一。