LGBMClassifier 参数中，常使用objective: 这个参数定义了模型的目标函数。
而对于多分类问题，通常使用 'multiclass' 或者 'multiclassova'。'multiclass' 表示 one-vs-rest 策略，而 'multiclassova' 则是 one-vs-one 策略。
在机器学习领域，特别是在多类分类问题中，"multiclass"通常指的是一个多类分类器可以直接处理多个类别的情形。然而，当提到"one-vs-rest"（OvR）和"one-vs-one"（OvO）策略时，我们是在讨论解决多类分类问题的具体方法。 One-vs-Rest (OvR) 策略:
也称为 One-vs-All (OvA)，这种策略将多类分类问题转化为一系列二元分类问题。具体来说，如果有 N 个类别，则会构建 N 个分类器，每个分类器负责区分一个类与其他所有类。在预测阶段，每个分类器都会输出一个决策值，最终的类别则被赋予输出最大决策值的那个分类器对应的类别。
One-vs-One (OvO) 策略:
在这种策略下，每一对类别之间都会有一个独立的分类器。也就是说，如果有 N 个类别，则会有 C(N, 2) = N*(N-1)/2 个分类器，每个分类器仅需区分两个类别。在预测阶段，每个分类器都会投票决定输入属于哪一方，最终类别则是获得最多票数的类别。
因此，"multiclassova"可能是指使用了 OvO 方法来解决多类分类问题，而"multiclass"通常意味着分类器本身能直接处理多类问题，或者指使用了 OvR 方法（虽然术语上不太常见）。这两种策略各有优缺点，例如 OvR 在类别不平衡情况下表现较好，而 OvO 更适合类别较多的情况，因为它减少了类别之间的直接竞争。
在树类模型中，都存在这个问题，具体使用哪种方式，要根据实际的类别之间的情况确定。