Softmax回归听名字，依然好像是做回归任务的算法，但其实它是去做多分类任务的算法。

1. 篮球比赛胜负是二分类，足球比赛胜平负就是多分类

2. 识别手写数字0和1是二分类，识别手写数字0-9就是多分类

Softmax回归算法是一种用于多分类问题的机器学习算法。它可以帮助我们预测一个样本属于哪一类，比如预测一张照片中的动物是狗、猫还是鸟。

一、任务目标：

鸢尾花分类任务是一个经典的机器学习问题，通常用于演示和测试分类算法的性能。该任务的目标是根据鸢尾花的特征将其分为三个不同的品种，即山鸢尾（Setosa）、变色鸢尾（Versicolor）和维吉尼亚鸢尾（Virginica）。这个任务是一个多类别分类问题，其中每个样本都属于三个可能的类别之一。

二、数据集描述：鸢尾花分类任务使用的数据集通常是著名的鸢尾花数据集（Iris dataset）。该数据集包含了150个鸢尾花样本，每个样本有四个特征：萼片长度（Sepal Length）、萼片宽度（Sepal Width）、花瓣长度（Petal Length）和花瓣宽度（Petal Width）。每个样本还标有其所属的品种。

三、加载整个数据集

from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
​
#加载鸢尾花数据集
iris = datasets.load_iris()
x=iris.data
y=iris.target
​
print("多元的参数集是:")
print(x)
print("结果集是：")
print(y)

四、将数据集拆分为训练集和测试集,测试集占20%，训练集占80%

x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2)

五、创建一个逻辑回归的对象

#创建一个逻辑回归的对象，这里的逻辑回归会根据我们的数据决定是用二分类还是用多分类
lr=LogisticRegression()

六、使用训练集训练模型

lr.fit(x_train,y_train)

七、使用测试集进行结果的预测

y_pred=lr.predict(x_test)

八、打印模型的准确率

print("准确率：%.2f" %accuracy_score(y_test,y_pred))

多元的参数集是:
[[5.1 3.5 1.4 0.2][4.9 3.  1.4 0.2][4.7 3.2 1.3 0.2][4.6 3.1 1.5 0.2][5.8 2.7 5.1 1.9][6.8 3.2 5.9 2.3][6.7 3.3 5.7 2.5][6.7 3.  5.2 2.3][6.3 2.5 5.  1.9][6.5 3.  5.2 2. ][6.2 3.4 5.4 2.3][5.9 3.  5.1 1.8]]
结果集是：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 22 2]
准确率：0.97

注意：

1、mluti_class的参数，如果是ovr是进行二分类转换，如果是multinomial是进行softmax回归做多分类，由于目前我们的y值是单标签，要么是0，要么是1，要么是2，因此可以默认进行多分类。

# lr=LogisticRegression(multi_class='ovr')   #多分类转换成了多个二分类
# lr=LogisticRegression(multi_class='multinomial')   #Softmax回归做多分类

2、最大迭代次数：max_iter=1000,默认是执行100次收敛，调整参数100次。

如果不添加这个参数，可能会报如下错误：收敛的警告，迭代100次之后还没有达到完全的收敛，如果将参数改为1000，则精度会有所提升。