multi_class参数决定逻辑回归并行化能力：仅"ovr"模式下n_jobs生效，"multinomial"和"auto"（选multinomial时）均强制单线程；推荐solver="saga"+multi_class="ovr"+n_jobs=-1实现多核训练。
multi_class参数影响逻辑回归并行化能力
Scikit-learn 的 LogisticRegression 默认不启用多核并行训练，哪怕你设置了 n_jobs。关键在于：只有 multi_class="ovr"（One-vs-Rest）时，n_jobs 才真正生效；而 multi_class="multinomial"（即 Softmax）完全忽略 n_jobs，始终单线程运行。
-
multi_class="ovr"：对每个类别训练一个二分类器，这些二分类器可独立并行训练 →n_jobs有效 -
multi_class="multinomial"：使用全局优化目标（如 L-BFGS 或 newton-cg），底层求解器不支持并行 →n_jobs被静默忽略 -
multi_class="auto"：自动选择 —— 若 solver 支持 multinomial（如"lbfgs","newton-cg","sag","saga"），且类别数 > 2，则选"multinomial"，此时仍无并行
如何确认并行是否实际生效
光设 n_jobs=-1 不代表 CPU 就跑满了。需结合 solver 和 multi_class 一起看：
- ✅ 并行生效组合：
multi_class="ovr"+solver="liblinear"或"saga"（注意："liblinear"实际不支持n_jobs，但"saga"在 ovr 模式下会并行拟合多个二分类器） - ❌ 并行失效组合：
multi_class="multinomial"+ 任意 solver（包括"saga"）→ 日志或 top 命令里只看到 1 个核心活跃 - 可用
verbose=1观察训练日志：ovr 模式下会逐个打印 “Fitting estimator for class X”，而 multinomial 只有一条优化过程输出
实际并行训练的推荐写法
想真正压满多核、又保持多分类效果，优先走 OVR 路线：
- 使用
solver="saga"（支持 L1/L2 惩罚、稀疏数据友好）+multi_class="ovr"+n_jobs=-1 - 若数据量大但类别不多（如 3–10 类），OVR 效果通常接近 multinomial，且训练更快
- 避免混用：比如
solver="lbfgs"+multi_class="ovr"是合法的，但"lbfgs"本身不支持n_jobs，所以并行无效 —— 此时应换"saga"
from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(
solver="saga",
multi_class="ovr",
n_jobs=-1,
max_iter=1000,
verbose=1
)
clf.fit(X_train, y_train) # 这里才会真正调用多核
容易被忽略的兼容性陷阱
-
"liblinear" solver 已被标记为 deprecated，且不支持 n_jobs，也不支持 multi_class="multinomial"
-
"sag" 和 "saga" 要求特征标准化（否则收敛慢甚至失败），但 "saga" 是目前唯一在 ovr 模式下能利用 n_jobs 的主流 solver
- 类别数为 2 时，
multi_class 参数被忽略，n_jobs 是否生效取决于 solver：例如 solver="saga" 二分类仍支持并行（内部转为单个二分类器并行优化），但 "lbfgs" 不支持
"liblinear" solver 已被标记为 deprecated，且不支持 n_jobs，也不支持 multi_class="multinomial" "sag" 和 "saga" 要求特征标准化（否则收敛慢甚至失败），但 "saga" 是目前唯一在 ovr 模式下能利用 n_jobs 的主流 solver multi_class 参数被忽略，n_jobs 是否生效取决于 solver：例如 solver="saga" 二分类仍支持并行（内部转为单个二分类器并行优化），但 "lbfgs" 不支持 多分类逻辑回归的并行化不是开关式功能，它被 solver、multi_class、甚至类别数量三重绑定 —— 看似配了 n_jobs，实际可能全程单线程跑完。
立即学习“Python免费学习笔记（深入）”；
