scikit-learn的logisticregression默认支持多元分类：标签≥3类时自动启用ovr；设multi_class="multinomial"则用softmax，需匹配支持的solver（如"lbfgs"、"sag"等），且class_weight="balanced"在multinomial模式下失效，须手动指定各类权重。
逻辑回归在scikit-learn里默认就能做多元分类
scikit-learn 的 LogisticRegression 不是只能二分类——只要标签有 ≥3 个取值，它自动启用 OvR（One-vs-Rest）策略；设 multi_class="multinomial" 则用 softmax（需配合 solver="lbfgs"、"newton-cg" 或 "sag"）。别手动写 OvR 循环，这是内置行为。
必须注意 solver 和 multi_class 的组合限制
选错求解器会导致报错或静默降级。比如：multi_class="multinomial" 时，solver="liblinear" 会直接抛 ValueError: Solver liblinear does not support a multinomial backend.；而 solver="saga" 支持 L1 正则 + multinomial，但 solver="lbfgs" 不支持 L1。
-
solver="liblinear"：仅支持 OvR，不支持multi_class="multinomial" -
solver="lbfgs"/"newton-cg"/"sag"：支持multi_class="multinomial"，但仅限 L2 或无正则 -
solver="saga"：唯一支持multi_class="multinomial"+penalty="l1"的组合
预测输出是概率矩阵，不是单个标签
调用 predict_proba() 返回 shape 为 (n_samples, n_classes) 的数组，每行和为 1；predict() 才返回类别标签。常见误操作是把 predict_proba() 结果当硬分类用，或对多类结果错误地套用二分类阈值（如 >0.5）。
示例：
clf = LogisticRegression(multi_class="multinomial", solver="lbfgs") clf.fit(X_train, y_train) proba = clf.predict_proba(X_test) # shape: (100, 3) —— 3 类 y_pred = clf.predict(X_test) # shape: (100,) —— 标签索引
类别不平衡时 class_weight 不能直接填 "balanced"
填 class_weight="balanced" 对 OvR 模式有效，但对 multi_class="multinomial" 会失效（scikit-learn 1.2+ 已明确警告），此时权重被忽略。真要处理不平衡，得手动构造字典传给 class_weight，且该字典需覆盖所有类（包括未在训练集出现的类，否则报错）。
- OvR 模式下：
class_weight="balanced"自动按类频次反比缩放 - multinomial 模式下：必须显式写成
{0: 1.0, 1: 2.5, 2: 3.0}这种形式 - 用
compute_class_weight时，确保classes=np.unique(y_train)，否则漏类
实际跑通的关键，往往卡在 solver 和 multi_class 的隐式绑定，以及 multinomial 下 class_weight 的“静默失效”——这两个点不手动验证，模型可能看起来训完了，但效果远低于预期。
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！
