如果您想要高度字面化，逻辑回归非常适合二元类，但完全不适合的类。不用担心：有多项逻辑回归，其理论模仿二元逻辑回归（人们可能认为逻辑回归是多项逻辑回归的特例）。根据我的听众的复杂程度，我可能会很乐意提到“逻辑回归”，并让他们意识到当有类别时，我的意思是“二元”逻辑回归.$3+$$3+$$2$

随机森林可以处理二元情况，也可以处理多类情况。同样适用于 k 近邻、支持向量机和神经网络。

我想不出一个缺少多类模拟的二元类模型。

答案是没有一个答案。机器学习算法的选择——无论是二分类还是多分类——很大程度上取决于您的数据和应用程序：

• 你的训练集有多大？
• 训练集的平衡程度如何？
• 它包含多少个因变量？
• 你的两个类在这些变量上的可分离性是什么？
• 您需要什么样的准确度/召回率？
• 结果是决定生死，还是帮助你决定下午点心吃什么？
• 您是这样做一次，还是要开发多个模型？

例如，如果你有一个简单的线性可分问题，训练集很小，那么线性判别解 (Fisher) 最有意义，但如果你有一个复杂的可分边界，训练集很小，那么 LR、SVM 或决策树可能会更好，或者如果您有大量数据，您可以使用神经网络。您还应该考虑要在模型上投入多少时间。一般来说，神经网络是一个相当大的时间投资，但更简单的模型，如 LR 和 KNN 可以在 Excel 中实现。

也就是说，有关数据和应用程序的更多信息可能使我们能够提供更好的建议。