多类分类有大量可能的候选者。Logit（作为多项式 logit）是众多选项中的一种。

哪种类型的分类器效果最好通常取决于手头的问题，并且取决于许多不同的事情（包括数据的数量和性质以及类平衡）。据我所知，没有任何分类器可以说它通常适用于许多类。但是，您可以尝试随机森林或提升，因为基于树的估计器易于应用并且往往相当“稳健”。

sklearn 页面提供了 sklearn 支持的多类分类器的有用概述：https ://scikit-learn.org/stable/modules/multiclass.html

Python 中的 SKLearn 和 R 中的 VGAM 支持多项逻辑回归，它以与深度学习中的 softmax 扩展 sigmoid 的方式非常相似的方式扩展二元逻辑回归。

多项式逻辑回归不像逻辑回归那样将响应变量视为二项式，而是将响应变量视为多项式（我知道，这太棒了）。然后使用最大似然估计的常用方法（相当于最小化交叉熵损失）拟合回归系数，模型返回每个类别的概率，与逻辑回归相同。

但是，通常的机器学习方法具有多类扩展：SVM、随机森林、k-最近邻、浅层神经网络等。您当然不必直接跳到深度学习。