我认为您可以执行通常的多类分类，而不是手动执行 one-VS-all 策略（即在 for 循环中），前提是您可以生成多标签目标（即您所说的所有可能的疾病组合）。所以，我会做类似的事情：

• 生成正确的标签 --> 如果你有 n 个可能的疾病组合，你应该最终有 n 个目标标签（因此使用 apply-lambda 表达式为你生成 n 个二进制列，你也可以将其转换为单个数字列n 个可能的整数值）。您可以在下面找到一种方法来获取目标值的最后一列（每个可能组合的整数值）；以wines 数据集为例，我还考虑了所有可能的组合（在您的情况下，风味类型类似于可能的疾病）。我猜你有一个这样的数据框：

因此您可以创建一个 dict 将可能的组合映射到整数目标值（用于多类分类）：

target_labels_dict = {tuple([1, 0, 0]): 0, tuple([0, 1, 0]): 1, tuple([0, 0, 1]): 2, tuple([1, 1, 0]): 3, tuple([1, 0, 1]): 4, tuple([0, 1, 1]): 5, tuple([1, 1, 1]): 6}

你有这个：

例如，元组 (1, 1, 0) 表示“酸”和“甜”...

最后，创建您的目标列：

target_flavours_array = np.zeros(len(y_train)).astype('int') 

for ind in y_train_df.index:
   combination_values = tuple(y_train_df.iloc[ind])
   target_flavours_array[ind] = target_labels_dict[combination_values]

得到类似的东西：

• 使用 softmax（或其类似的 sofprob 函数，在此处查看）和​​ xgboost 实例 --> 下面是一个快速示例（在原始 3 类数据集上进行训练以获取示例的效果）：

从 sklearn.datasets 导入 load_wine

from sklearn.model_selection import train_test_split
import numpy as np 
import xgboost as xgb

dataset = load_wine()
X_train, X_test, y_train, y_test = train_test_split(dataset.data, 
dataset.target, test_size=0.1, random_state=42)

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)    

params = {
    'max_depth': 4,  # maximum depth of each tree
    'eta': 0.2,  # learning rate
    'objective': 'multi:softprob',  # for multiclass problem, providing probabilities
    'num_class': len(np.unique(dataset.target))} # number of classes

iters_number = 30
xgb_model = xgb.train(params, dtrain, iters_number)
xgb_model.predict(dtest)

并且，结果是每个可能类别的预测概率（您的用例中的疾病组合）：

在这里您可以选择每一行的最高概率值。