所以MultiClass只是说一个目标变量中有多个类。 MultiOutput意味着我们有多个目标变量。这里我们有一个MultiClass-MultiOutput问题。

scikit-learn本机支持以下分类器的MultiClass-MultiOutput。

sklearn.tree.DecisionTreeClassifier
sklearn.tree.ExtraTreeClassifier
sklearn.ensemble.ExtraTreesClassifier
sklearn.neighbors.KNeighborsClassifier
sklearn.neighbors.RadiusNeighborsClassifier
sklearn.ensemble.RandomForestClassifier

在大多数情况下，我建议您选择RandomForest，因为开箱即用可以带来出色的结果。

因此，以一个虚拟的例子来说明RandomForestClassifier对多个目标的api。

### Dummy Example only to test functionality
np.random.seed(0)
X = np.random.randn(10,2)
y1 = (X[:,[0]]>.5).astype(int) # make dummy y1
y2 = (X[:,[1]]<.5).astype(int) # make dummy y2
y = np.hstack([y1,y2]) # y has 2 columns
print("X = ",X,sep="\n",end="\n\n")
print("y = ",y,end="\n\n")
rfc = RandomForestClassifier().fit(X,y) # use the same api for multi column y!
out = rfc.predict(X)
print("Output = ",out,sep="\n")

输出

X = 
[[ 1.76405235  0.40015721]
 [ 0.97873798  2.2408932 ]
 [ 1.86755799 -0.97727788]
 [ 0.95008842 -0.15135721]
 [-0.10321885  0.4105985 ]
 [ 0.14404357  1.45427351]
 [ 0.76103773  0.12167502]
 [ 0.44386323  0.33367433]
 [ 1.49407907 -0.20515826]
 [ 0.3130677  -0.85409574]]

y = 
[[1 1]
 [1 0]
 [1 1]
 [1 1]
 [0 1]
 [0 0]
 [1 1]
 [0 1]
 [1 1]
 [0 1]]

Output = 
[[1 1]
 [1 0]
 [1 1]
 [1 1]
 [0 1]
 [0 0]
 [1 1]
 [0 1]
 [1 1]
 [0 1]]

顺便说一句，当您在做与NLP相关的模型时，我建议使用Keras's multi-output NN api来训练神经网络以获得更好的输出！