Plotting полиномиальной и логистической регрессию «один против остальных»

Один из популярных подходов к адаптации логистической регрессии к задачам классификации с несколькими классами состоит в том, чтобы разделить проблему классификации с несколькими классами на несколько задач бинарной классификации и подобрать стандартную модель логистической регрессии для каждой подзадачи. Методы этого типа включают модели оболочки «один против остальных» и «один против одного». Альтернативный подход включает изменение модели логистической регрессии для прямой поддержки предсказания нескольких меток классов. В частности, чтобы предсказать вероятность того, что входной пример принадлежит каждой известной метке класса. Распределение вероятностей, которое определяет многоклассовые вероятности, называется полиномиальным распределением вероятностей. Модель логистической регрессии, адаптированная для изучения и прогнозирования полиномиального распределения вероятностей, называется полиномиальной логистической регрессией. Точно так же мы можем называть стандартную или стандартную логистическую регрессию биномиальной логистической регрессией. Биномиальная логистическая регрессия: стандартная логистическая регрессия, предсказывающая биномиальную вероятность (т. е. для двух классов) для каждого входного примера. Полиномиальная логистическая регрессия: модифицированная версия логистической регрессии, которая предсказывает полиномиальную вероятность (т. е. более двух классов) для каждого входного примера.

Изменение логистической регрессии с биномиальной на полиномиальную вероятность требует изменения функции потерь, используемой для обучения модели (например, логарифмическая потеря на кросс-энтропийную потерю), и изменения выходных данных с одного значения вероятности на одну вероятность для каждой метки класса.

Смотри детально https://informatics-ege.blogspot.com/2022/07/plot-multinomial-and-one-vs-rest.html