Regresión logística multiclase en SciKit Learn

Tengo problemas con la llamada correcta de la Regresión logística de Scikit para el caso de varias clases. Estoy usando el solucionador lbgfs, y tengo el parámetro multi_class establecido en multinomial.

No me queda claro cómo pasar las verdaderas etiquetas de clase al ajustar el modelo. Supuse que era similar / igual que para el clasificador de bosque aleatorio multiclase, donde pasa el marco de datos [n_samples, m_classes]. Sin embargo, al hacer esto, recibo un error de que los datos están en mal estado. ValueError: forma de entrada incorrecta (20, 5): en este pequeño ejemplo, hubo 5 clases, 20 muestras.

En la inspección, la documentación del método de ajuste dice que los valores de verdad se pasan como [n_samples,], que coincide con el error que estoy obteniendo, sin embargo, no tengo idea de cómo entrenar el modelo con múltiples clases. Entonces, esta es mi pregunta: ¿cómo paso el conjunto completo de etiquetas de clase a la función de ajuste?

No he podido encontrar un código de muestra en Internet para modelar, ni esta pregunta en StackOverflow ... ¡pero estoy seguro de que alguien debe saber cómo hacerlo!

en el siguiente código, train_features = [n_samples, nn_features], truth_train = [n_samples, m_classes]

clf = LogisticRegressionCV(class_weight='balanced', multi_class='multinomial', solver='lbfgs')
clf.fit(train_features, truth_train)
pred = clf.predict(test_features)