Python：如何使用 SKlearn 进行多项式 Logistic 回归

我有一个测试数据集和训练数据集，如下所示。我提供了包含最少记录的示例数据，但我的数据有超过 1000 条记录。这里 E 是我的目标变量，我需要使用算法来预测它。它只有 1、2、3、4 四个类别。它只能采用这些值中的任何一个。

训练数据集：

A    B    C    D    E
1    20   30   1    1
2    22   12   33   2
3    45   65   77   3
12   43   55   65   4
11   25   30   1    1
22   23   19   31   2
31   41   11   70   3
1    48   23   60   4

测试数据集：

A    B    C    D    E
11   21   12   11
1    2    3    4
5    6    7    8 
99   87   65   34 
11   21   24   12

由于 E 只有 4 个类别，因此我考虑使用多项 Logistic 回归（1 与 Rest 逻辑）来预测这一点。我正在尝试使用 python 来实现它。

我知道我们需要在变量中设置这些目标并使用算法来预测这些值中的任何一个的逻辑：

output = [1,2,3,4]

但我陷入了如何使用 python (sklearn) 来循环这些值以及我应该使用什么算法来预测输出值的问题？任何帮助将不胜感激

你可以尝试

LogisticRegression(multi_class='multinomial',solver ='newton-cg').fit(X_train,y_train)