scikit-learn 在 multi-class classification 中默认使用 One-Vs-Rest 吗？
Does scikit-learn use One-Vs-Rest by default in multi-class classification?
我正在处理一个多 class 问题（4 classes），我正试图在 Python.
中使用 scikit-learn 解决它
我看到我有三个选择：
我简单地实例化了一个classifier，然后我用train拟合并用test求值；
classifier = sv.LinearSVC(random_state=123)
classifier.fit(Xtrain, ytrain)
classifier.score(Xtest, ytest)
I "encapsulate" OneVsRest 对象中的实例化 classifier，生成一个新的 classifier 我用于训练和测试；
classifier = OneVsRestClassifier(svm.LinearSVC(random_state=123))
classifier.fit(Xtrain, ytrain)
classifier.score(Xtest, ytest)
I "encapsulate" OneVsOne 对象中的实例化 classifier，生成一个新的 classifier 我用于训练和测试。
classifier = OneVsOneClassifier(svm.LinearSVC(random_state=123))
classifier.fit(Xtrain, ytrain)
classifier.score(Xtest, ytest)
我了解 OneVsRest 和 OneVsOne 之间的区别，但我无法理解在第一种情况下我在做什么，因为我没有明确选择这两个选项中的任何一个。在这种情况下，scikit-learn 会做什么？它是否隐式使用 OneVsRest？
如能对此事作出任何澄清，我们将不胜感激。
最好的，
先生
编辑：
澄清一下，我对 SVM 的情况并不特别感兴趣。例如，RandomForest 呢？
更新的答案：正如评论和编辑中所阐明的，问题更多是关于 sklearn 的一般设置，而不是关于 LinearSVC 的具体情况解释如下。
这里的主要区别是您可以使用的一些分类器具有 "built-in multiclass classification support"，即默认情况下该算法可以区分两个以上 类 。例如，随机森林或具有多个输出节点的多层感知器 (MLP) 就是一个例子。
在这些情况下，根本不需要 OneVs 对象，因为您已经在解决您的任务。事实上，使用这样的策略甚至可能会降低你的表现，因为你是 "hiding" 算法的潜在相关性，让它只在单个二进制实例之间做出决定。
另一方面，像SVC或LinearSVC这样的算法只支持二进制分类。因此，为了扩展这些 类 的（性能良好的）算法，我们不得不依赖于从我们最初的多类分类任务减少到二元分类任务。
据我所知，最完整的概述可以找到here：
如果向下滚动一点，您可以看到哪一种算法本质上是多类的，或者默认使用其中一种策略。
请注意，OVO 下列出的所有算法实际上现在都默认采用 OVR 策略！在这方面，这似乎是稍微过时的信息。
初步回答:
这个问题很容易通过查看 the relevant scikit-learn documentation 来回答。
通常，对 Whosebug 的期望是您至少自己进行了某种形式的研究，因此请考虑先查看现有文档。
multi_class : string, ‘ovr’ or ‘crammer_singer’ (default=’ovr’)
Determines the multi-class strategy if y contains more than two classes. "ovr" trains n_classes one-vs-rest classifiers, while
"crammer_singer" optimizes a joint objective over all classes. While
crammer_singer is interesting from a theoretical perspective as it is
consistent, it is seldom used in practice as it rarely leads to better
accuracy and is more expensive to compute. If "crammer_singer" is
chosen, the options loss, penalty and dual will be ignored.
所以，很明显，它使用一对多。
"regular" SVC.
也是如此
我正在处理一个多 class 问题（4 classes），我正试图在 Python.
中使用 scikit-learn 解决它我看到我有三个选择：
我简单地实例化了一个classifier，然后我用train拟合并用test求值；
classifier = sv.LinearSVC(random_state=123) classifier.fit(Xtrain, ytrain) classifier.score(Xtest, ytest)I "encapsulate" OneVsRest 对象中的实例化 classifier，生成一个新的 classifier 我用于训练和测试；
classifier = OneVsRestClassifier(svm.LinearSVC(random_state=123)) classifier.fit(Xtrain, ytrain) classifier.score(Xtest, ytest)I "encapsulate" OneVsOne 对象中的实例化 classifier，生成一个新的 classifier 我用于训练和测试。
classifier = OneVsOneClassifier(svm.LinearSVC(random_state=123)) classifier.fit(Xtrain, ytrain) classifier.score(Xtest, ytest)
我了解 OneVsRest 和 OneVsOne 之间的区别，但我无法理解在第一种情况下我在做什么，因为我没有明确选择这两个选项中的任何一个。在这种情况下，scikit-learn 会做什么？它是否隐式使用 OneVsRest？
如能对此事作出任何澄清，我们将不胜感激。
最好的， 先生
编辑： 澄清一下，我对 SVM 的情况并不特别感兴趣。例如，RandomForest 呢？
更新的答案：正如评论和编辑中所阐明的，问题更多是关于 sklearn 的一般设置，而不是关于 LinearSVC 的具体情况解释如下。
这里的主要区别是您可以使用的一些分类器具有 "built-in multiclass classification support"，即默认情况下该算法可以区分两个以上 类 。例如，随机森林或具有多个输出节点的多层感知器 (MLP) 就是一个例子。
在这些情况下，根本不需要 OneVs 对象，因为您已经在解决您的任务。事实上，使用这样的策略甚至可能会降低你的表现，因为你是 "hiding" 算法的潜在相关性，让它只在单个二进制实例之间做出决定。
另一方面，像SVC或LinearSVC这样的算法只支持二进制分类。因此，为了扩展这些 类 的（性能良好的）算法，我们不得不依赖于从我们最初的多类分类任务减少到二元分类任务。
据我所知，最完整的概述可以找到here：
如果向下滚动一点，您可以看到哪一种算法本质上是多类的，或者默认使用其中一种策略。
请注意，OVO 下列出的所有算法实际上现在都默认采用 OVR 策略！在这方面，这似乎是稍微过时的信息。
初步回答:
这个问题很容易通过查看 the relevant scikit-learn documentation 来回答。
通常，对 Whosebug 的期望是您至少自己进行了某种形式的研究，因此请考虑先查看现有文档。
multi_class : string, ‘ovr’ or ‘crammer_singer’ (default=’ovr’)
Determines the multi-class strategy if y contains more than two classes.
"ovr"trains n_classes one-vs-rest classifiers, while"crammer_singer"optimizes a joint objective over all classes. While crammer_singer is interesting from a theoretical perspective as it is consistent, it is seldom used in practice as it rarely leads to better accuracy and is more expensive to compute. If"crammer_singer"is chosen, the options loss, penalty and dual will be ignored.
所以，很明显，它使用一对多。
"regular" SVC.
也是如此