现在，你看到了一个多分类的效果图，它是怎么实现的呢？
一、基础准备
准备工作在开始本文前，你需要具备逻辑回归二分类应该具备的基础，该模型是建立在二分类的基础上，利用矩阵特性进行拓展得到的多分类模型。
二、矩阵改进
我在上一篇博客中已经讲述了二分类所需的构造矩阵，在这里，我将对矩阵进行改进。好的，首先是。。额，随机数生成。。这步只是建立一个本地数据库，便于调试，可以略去。我再重申一遍，我没在开玩笑，会xlrd库的大佬举个手好吗！
而后到了重头戏！根据吴恩达机器学习[1]，我们每次将数据分为两类：正类和负类，体现在数据上是标注0和1，一共划分n次，这里取3次（例子啦，不要纠结~）。根据矩阵知识，重构后的矩阵如下：
可以很明显地看出，多分类其实就是将因变量和权重矩阵扩充了，于是在之后的逻辑回归中只需迭代n次而不是3n次，减少了时间复杂度。我将这种运算模式称为：并行计算。理所当然地，因变量矩阵和权重矩阵构成了并行运算矩阵模块。
三、逻辑回归
这和之前的二分类问题没有区别，只是在运算sigmoid函数时需要小小改进一下：
首先，将误差阵A转变为一个由numpy库生成的空矩阵而取代列表转矩阵，这样我们只需确定空矩阵接受误差向量的维度（即θ列向量的行数，现在是θ矩阵！）
1 | #某置空矩阵默默从多分类的全世界路过 |
需要注意的是，在误差的梯度下降中，我们需要将A重新置空，并且不能把θ阵和损失阵的减序搞反。康康是哪个笨比进行了上面的操作，然后成功的把阈值降低到了0.3。
1 | #就是这厮，减号后面的项与前面的项不能搞反，会导致阈值变化 |
四、输出与绘图
枯燥无味的输出时间！仍然是函数泛化，只是我们需要一个迭代器将三条直线一次输出，我采用的是x轴不变，y轴循环更新的方法，其实之前是想用列表添加三个y域的，但是太麻烦主要是根本不会列表添加列表与取值，甚至我打一个函数还要考虑半天它的输出（快哭了），采用此方法不会保留列表值，每次输出后自动损失y的数据。大功告成！
五、不足与改进措施
首先非常明显，该程序是针对本地数据集的，当然你可以调整本地数据集的范围，但仍然使得这个程序非常菜鸡。然后，你可以轻松地想到，它的学习率需要手动调整（调参侠！），迭代次数也不能保证，当然这是可以用损失函数优化的，这里不展示了。最后，它只能线性拟合标记的数据集，使得程序的作用范围远远达不到要求，这要求我们能够用更牛逼的模型计算问题，然后让大家交口称赞。
六、下载项
多分类主程序
效果图
七、参考资料
[1]吴恩达机器学习（B站）
