前面介绍的简单逻辑回归只能进行二分类，今天我们将图解多分类逻辑回归，也就是利用逻辑回归实现多分类。
先来个整体视角：
再逐步分解开来：
主要有两种方法。
1️⃣ 𝗢𝗡𝗘-𝗩𝗦-𝗥𝗘𝗦𝗧 (𝗢𝘃𝗥):
逻辑回归模型在二元分类中表现出色。
那么……如果我们为每个类别分别训练一个逻辑回归分类器会怎样呢？
💡 这个想法是将焦点放在分类一个类别与其余类别的对比上。
🎯 𝗢𝘃𝗥 𝗦𝗧𝗥𝗔𝗧𝗘𝗚𝗬:
训练多个逻辑回归分类器，每个分类器针对一个单独的类别。
我们需要的分类器数量与我们想要分类的类别数量相同。
那么最终输出呢？
它就是所有分类器中得分（或概率）最高的那个类别。
2️⃣ 𝗠𝗨𝗟𝗧𝗜𝗡𝗢𝗠𝗜𝗔𝗟 𝗟𝗢𝗚𝗜𝗦𝗧𝗜𝗖 𝗥𝗘𝗚𝗥𝗘𝗦𝗦𝗜𝗢𝗡:
与只输出一个概率（正样本概率，二分类）不同，我们构建了一个模型，该模型输出一个向量，表示每个类别的概率！f 中的每个元素都应该是输入 x 与该类别匹配程度的概率。
😓 那么问题来了！
对于分类模型，就像之前的逻辑回归一样，我们需要输出一个满足下面约束的值：
非负数。
约束在 0 和 1 之间。
我们可以通过使用指数函数，并将每个得分除以总和来解决这个问题。
这样我们就得到了最终的多分类模型。
📊 𝗠𝗢𝗗𝗘𝗟 𝗘𝗩𝗔𝗟𝗨𝗔𝗧𝗜𝗢𝗡:
我们怎么知道我们的模型是MVP（最有价值球员）而不是板凳球员呢？
准确率和混淆矩阵！它们就像是教练的战术手册，用来查看我们的预测是否得分还是错失了目标。
𝗔𝗦𝗦𝗨𝗠𝗣𝗧𝗜𝗢𝗡𝗦:
我们的模型不是水晶球。为了正常工作，它需要做出一些假设：
没有多重共线性
样本量要大
