在Scikit-learn中，可以使用多種算法來實現多類別分類，其中最常用的是使用One-vs-One（OvO）或One-vs-All（OvA）策略。以下是使用Logistic Regression模型進行多類別分類的簡單示例：
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 生成樣本數據
X, y = make_classification(n_samples=1000, n_features=20, n_classes=3, n_clusters_per_class=1, random_state=42)
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓練Logistic Regression模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 預測
y_pred = model.predict(X_test)
# 計算準確率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: ", accuracy)
在上面的示例中，我們使用Logistic Regression模型對3個類別的樣本數據進行分類，并計算模型的準確率。實際上，Scikit-learn中的大多數分類算法都支持多類別分類，你可以根據自己的需求選擇合適的算法進行實現。
