logisticregression(multi_class="ovr")是原生ovr实现，predict_proba输出校准后可比概率；onevsrestclassifier是通用元估计器，其predict_proba返回未校准的各二分类器原始概率，二者决策值尺度、概率解释和接口行为完全不同。
OVR 是默认策略，但 multi_class="ovr" 不等于直接用 OneVsRestClassifier —— 二者接口行为、概率校准、决策值尺度完全不同，混用会出错。
LogisticRegression(multi_class="ovr") 和 OneVsRestClassifier 的区别在哪
很多人以为设 multi_class="ovr" 就是“手动套了一层 OvR”，其实不是。前者是 sklearn 内部对逻辑回归的原生 OVR 实现；后者是通用元估计器，可包装任意二分类器（如 SVC 或 RandomForestClassifier）。
关键差异：
-
LogisticRegression(multi_class="ovr")的predict_proba返回的是经内部校准的类概率（类似 softmax 归一化），数值可直接比较 -
OneVsRestClassifier(LogisticRegression())的predict_proba默认返回各二分类器的原始概率（如 [0.9, 0.3, 0.4]），未经跨分类器校准，不能直接取 argmax -
decision_function输出值在两者中完全不可比：前者输出已对齐尺度，后者每个子模型独立拟合，偏置项不一致 - 若基模型不支持
predict_proba（如SVC），OneVsRestClassifier会静默退回到decision_function，而LogisticRegression原生 OVR 永远有概率输出
为什么 multi_class="ovr" 时要小心 class_weight
OVR 把每个类当正例、其余全当负例，类别越少，负例越庞大。比如 10 分类中，某类只占 5% 样本，那它对应的二分类器训练集就是 5% 正例 + 95% 负例 —— 极度不平衡。
不处理会导致：
- 模型严重偏向负例，
predict几乎永远输出“非该类” -
decision_function输出值整体偏低，影响最终 argmax 判定 - 即使
class_weight="balanced"也只按全局频次调整，无法感知每个二分类子问题内的真实分布
更稳妥的做法是显式传入字典：class_weight={0: 10, 1: 1, 2: 8, ...}，权重值建议按 1 / (该类在当前二分类任务中占比) 反推。
multi_class="multinomial" 才是真正的多项式逻辑回归
别被名字误导：multi_class="ovr" 是“模拟多分类”，multi_class="multinomial" 才是直接建模 K 类联合概率分布，用 softmax + 交叉熵损失端到端优化。
使用前提和限制：
- 必须搭配支持多类目标的求解器：
solver="lbfgs"、"newton-cg"、"saga"（"liblinear"不支持） - 不接受
class_weight字典，只接受"balanced"或 None；如需精细控制，得自己重采样或加样本权重sample_weight - 输出的
coef_是 (n_classes, n_features) 形状，每行对应一类的线性系数，截距在intercept_中按类排列 - 当类别数 > 10 且样本量小，
multinomial容易因参数爆炸而收敛失败，此时ovr反而更稳
predict_proba 输出值为什么不能直接 softmax 归一化
这是最常踩的坑。有人看到 LogisticRegression(multi_class="ovr").decision_function(X) 返回 (n_samples, n_classes) 数组，就拿 softmax 自己归一化，结果概率总和不为 1，甚至出现负值。
原因很简单：decision_function 在 OVR 模式下，本质是 K 个独立二分类器的 raw output，每个都带自己的偏置项和尺度。它们之间没有统一坐标系，强行 softmax 相当于把三把不同刻度的尺子拼一起量身高。
正确做法只有两个：
- 坚持用
predict_proba—— 它内部已做适配，数值可信 - 如果非要基于 decision_function 做自定义逻辑（如阈值调优），必须对每个列单独 calibrate（例如用
CalibratedClassifierCV包一层单个 LogisticRegression）
真正容易被忽略的是：sklearn 1.2+ 中 OneVsOneClassifier 的 predict_proba 才刚稳定支持，旧版本会静默回退，务必检查 hasattr(clf, 'predict_proba') 再用。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
