onevsrestclassifier是将多标签分类任务分解为多个独立二分类问题的策略，不建模标签相关性，要求y为二维0/1数组，predict_proba输出shape为(n_samples,n_labels,2)，阈值需按标签单独优化。
OneVsRestClassifier 是什么，为什么它不是“多标签专用模型”
它本身不处理多标签逻辑，只是把每个标签当做一个独立的二分类问题来训练。比如你有 3 个标签 y1、y2、y3，OneVsRestClassifier 就会分别训练 3 个模型：一个判 y1=0/1，一个判 y2=0/1，一个判 y3=0/1。最终预测时对每个模型单独输出概率或决策值，再按阈值合并成多标签结果。
这意味着它完全依赖底层分类器是否支持 predict_proba 或 decision_function —— 如果你用 SVC（默认不输出概率），就得手动加 probability=True，否则 predict_proba 会报错。
-
OneVsRestClassifier不改变原模型的损失函数，也不建模标签间相关性 - 适合标签独立性较强、样本量充足、基模型本身稳定的情况
- 如果标签高度相关（比如“猫”和“宠物”经常共现），效果可能不如
ClassifierChain或专用库如scikit-multilearn
怎么正确传入多标签 y 数据，常见 shape 错误怎么修
必须是二维数组：y 的 shape 得是 (n_samples, n_labels)，且 dtype 为 int 或 bool。常见错误是传了 1D 数组（比如把 [0,1,1] 当作单个样本的多标签）或者 list of list 但没转成 numpy 数组。
错误现象：ValueError: You appear to be using a legacy multi-label data representation. Sequence of sequences are no longer supported —— 这是 scikit-learn 0.24+ 的明确拒绝提示。
- 用
numpy.array(y).astype(int)强制转成二维 int 数组，别用list嵌套 - 检查
y.shape[1]是否等于你预期的标签数；如果只有 1 列，说明被当成多类（multiclass）而非多标签（multilabel） - 标签值只能是 0/1（或 False/True），不能是 1/2/3 或字符串
predict_proba 和 decision_function 输出结构容易搞混
predict_proba 返回的是 list of arrays，每个 array 对应一个标签的两类概率（shape (n_samples, 2)），所以最终 shape 是 (n_samples, n_labels, 2)；而 decision_function 返回的是 (n_samples, n_labels) —— 直接就是每个标签的原始分值。
如果你要做自定义阈值（比如对不同标签设不同 cutoff），得从 predict_proba 取第二列（正类概率）：proba[:, :, 1]，而不是直接用 proba。
- 用
classifier.predict_proba(X)[:, :, 1]拿到所有标签的正类概率矩阵 - 如果底层模型不支持
predict_proba（如SVC），调用会失败；此时要么换模型（如LogisticRegression），要么用decision_function+ sigmoid 校准 - 注意：某些模型（如
RandomForestClassifier）的predict_proba在多标签下仍可用，但内部仍是独立训练，不共享树结构
阈值选择直接影响 micro/macro F1，别默认用 0.5
多标签里 0.5 几乎从来不是最优阈值。因为不同标签的正样本比例差异大（比如“广告”标签占 80%，“紧急”只占 2%），统一阈值会导致高频率标签过召回、低频率标签全漏掉。
典型表现：micro-F1 还行，macro-F1 很低 —— 说明少数标签拖了后腿。
- 用
sklearn.metrics.f1_score(y_true, y_pred, average=None)看每个标签的 F1，定位哪些标签在 0.5 下崩了 - 对每个标签单独搜最优阈值（比如用
precision_recall_curve+f1_score扫描），再取平均或加权 - 生产中建议存下每个标签的最优阈值数组，预测时用
(proba > thresholds).astype(int)，别硬写死 0.5
真正麻烦的不是怎么调，而是很多人压根没意识到：多标签的“预测”这一步，本质是 n 个二分类 + n 个阈值决策，漏掉任何一个环节都会让指标失真。
