我在数据集上使用scikit-learn LogisticRegression，其中因变量是具有10个可能值（标记为1到10）的分类变量。我的统计知识是相当严谨的。
每个输出值的概率固有地受到它们必须求和到1的要求的约束，而我对数学的理解是需要有reference category（例如最可能的类别）并且相对于参考类别的概率表示其他9个结果中的每一个的概率，因此每个解释变量有效地存在9个系数（而不是10个）。
我不清楚这是由LogisticRegression.fit()方法自动完成的，如果是这样，它会假设第一个类别是引用（1）？
或者我是否需要以某种方式处理输入数据，因此只有9个类别？
或者我忽略了这一点，并在输出时使用10个系数？
答案 0 :(得分：2)
scikit-learn的{{1}}实现会使用LogisticRegression方法自动处理幕后的所有内容。这是它是如此有用的模块的主要原因。它们的拟合/变换/预测API直观且易于使用，隐藏了用户的所有算法复杂性。
他们的实施是One-vs-Rest方案，其中对于每个类别，训练分类器以在该类别中识别具有一定置信水平的值。为了进行预测，比较分类器（在您的情况下为10个分类器）的各种置信度，并选择具有最高置信度的类。为了计算概率，这个置信度向量归一化为1，以解释预测中的任何潜在错误。
还有一个.fit()关键字参数，它使用交叉熵损失直接用一个分类器同时预测所有10个类的概率。这可能更类似于您已经阅读的实现，但multiclass实施的文档很少。