怎样在Python中构建多标签文本分类器-Python教程-PHP中文网

多标签分类与单标签最根本区别在于一个样本可对应多个标签，须用multilabelbinarizer转为二值矩阵，不可用labelencoder或onehotencoder；训练测试需共用同一mlb实例，评估宜用hamming_loss和jaccard_score。

怎样在python中构建多标签文本分类器

用 `MultiLabelBinarizer` 处理标签格式最稳妥

多标签分类和单标签最根本的区别在于：一个样本可能对应多个标签，比如一篇新闻同时属于 ["科技", "人工智能", "政策"]。直接用 LabelEncoder 或 OneHotEncoder 会出错——前者把整个列表当做一个类别编码，后者不支持嵌套列表输入。

正确做法是先用 MultiLabelBinarizer 把标签列表转成二值矩阵：

from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
y_bin = mlb.fit_transform([["A", "B"], ["B"], ["A", "C"]])
# 输出：[[1 1 0], [0 1 0], [1 0 1]]

mlb.classes_ 记录了所有唯一标签，顺序固定，后续预测后要用它反查原始标签名
如果原始标签是字符串形式的逗号分隔（如 "A,B"），得先用 .split(",") 拆成列表，再喂给 fit_transform
训练集和测试集必须共用同一个 mlb 实例，不能分别 fit，否则维度对不上

选 `LogisticRegression` 还是 `ClassifierChain`？看标签相关性

简单场景下，LogisticRegression 配合 OneVsRestClassifier 是最常用组合，本质是对每个标签单独训练一个二分类器：

from sklearn.multiclass import OneVsRestClassifier
from sklearn.linear_model import LogisticRegression
clf = OneVsRestClassifier(LogisticRegression())
clf.fit(X_train, y_bin)

但如果标签之间存在强依赖（比如出现 "深度学习" 很可能也带 "PyTorch"），ClassifierChain 更合适——它按预设顺序串起多个分类器，前一个的预测结果会作为后一个的额外特征：

python-pro

高级 Python 特性、异步编程、性能调优、静态类型、内存管理、Python 内部机制及生态库方面的专家。

下载

顺序影响效果，可用交叉验证试几种排列，或按标签频率/共现频率排序
链式结构让模型更重全局标签分布，但训练和预测都变慢，且不可并行
默认不校准概率，如果需要每个标签的置信度，得手动给每个子分类器加 CalibratedClassifierCV

评估不能只看准确率，`hamming_loss` 和 `jaccard_score` 更关键

准确率（accuracy）在多标签里意义很弱：全预测为负就可能高达 90%+，实际毫无价值。真正反映性能的是两个指标：

hamming_loss：错误预测的标签占总标签数的比例，越低越好（0 表示全对）
jaccard_score（平均模式选 average="samples"）：对每个样本算预测集合与真实集合的交并比，再取均值，更贴近“每个样本整体准不准”
如果关注某个特定标签（如稀有标签 "量子计算"），得单独提取那一列，用 precision_recall_fscore_support 算

注意 jaccard_score 的 average 参数：用 "samples" 是样本级，用 "macro" 是标签级，二者结果常差很大，报告时必须写明。