优先选OvRClassifier（如LogisticRegression）或OvOClassifier（如SVC），依据是基模型是否支持predict_proba或仅依赖decision_function；类别数≤4时倾向OvR，>6且样本量大时OvO泛化更稳。
sklearn里OvRClassifier和OvOClassifier怎么选
选哪个不看“听起来更高级”，而看模型本身是否支持「决策函数」或「概率估计」。比如SVC默认没predict_proba，用OvRClassifier会报AttributeError: 'SVC' object has no attribute 'predict_proba'；但OvOClassifier只依赖decision_function，所以它跟SVC天然搭。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
OvRClassifier适合有predict_proba的模型（如LogisticRegression、RandomForestClassifier），能直接输出各类别概率 -
OvOClassifier更适合SVC、LinearSVC这类靠间隔决策的模型 - 如果硬要用
OvR配SVC，得手动加probability=True并忍受训练变慢+校准不准
为什么OvO训练比OvR慢但预测可能更快
三分类时，OvR训3个二分类器，OvO训C(3,2)=3个；但到五分类，OvR还是5个，OvO就变成10个——数量差翻倍。不过OvO每个子分类器只学两个类的边界，数据量小、单次训练快；而OvR每个分类器要区分“目标类 vs 所有其他类”，类别不平衡严重，容易过拟合。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 类别数
n_classes <= 4时，OvO和OvR差异不大，优先选OvR省事 -
n_classes > 6且样本量大，OvO虽训得久，但每个子模型更稳定，泛化常更好 - 预测阶段
OvO要聚合所有两两投票结果，若用voting='hard'（默认），其实比OvR的argmax还多一次计数，别误以为“一定更快”
OvR输出的decision_function值不能直接当概率用
OvRClassifier.decision_function返回的是每个二分类器的原始分值，比如四分类返回形状为(n_samples, 4)的数组，但这些值之间**不可比**：每个二分类器的尺度、偏置都不一样，直接softmax会误导。sklearn内部用CalibratedClassifierCV做概率校准，不是简单归一化。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 要概率输出，别自己对
OvR.decision_function跑softmax，老老实实用OvRClassifier.predict_proba（前提是基模型支持） - 如果基模型不支持概率（如
SVC），又必须用OvR，就得套一层CalibratedClassifierCV，注意这会让训练时间翻倍 -
OvOClassifier.predict_proba在sklearn 1.2+才稳定支持，旧版本会静默回退到decision_function，得检查hasattr(clf, 'predict_proba')
自定义二分类器时，OvR和OvO对fit接口的要求不同
OvRClassifier调fit(X, y)时，会把原始y按类别重编码成0/1向量（如三分类中，对类别0，y变成[1,0,0,1,0,...]）；OvOClassifier则每次抽两个类别，把对应样本的y截出来再二值化。这意味着：如果你的自定义分类器fit方法里写了assert len(np.unique(y)) == 2，那它能过OvO，但会被OvR的中间编码卡住——因为OvR喂进去的y确实是纯0/1，但可能全0或全1（某轮没抽到正样本）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写自定义分类器时，别硬校验
y的唯一值个数，改用np.count_nonzero(y)判断正样本是否存在 - 如果模型内部依赖类别平衡（比如用了带权重的损失），
OvR场景下务必在fit里接class_weight='balanced'或手动算权重 -
OvO不会出现全0/全1的y，但要注意它传入的X是子集，索引已乱，别在里面偷偷用全局索引做特征工程
真正麻烦的不是策略本身，而是基模型的能力边界和你对输出的预期是否匹配——比如想要概率却选了不支持的模型，或者想省时间跳过校准，最后发现OvR的分值根本没法解释。
