这可以被视为一个多类和多标签分类问题。如果您能够以某种良好的形式获得标签列表，则可以检查 Keras 功能 API 以获取多目标回归/分类模型。

主要的限制是您需要一个长度相等的输出列表。我想最好的方法是对标签进行一次热（又名虚拟编码）并预测“类”（标签）。但是，如果可能的标签/类的数量真的很大，那么这种方法可能会遇到麻烦。

使用 Keras 函数式 API 相对简单。你只需要定义你的输出。这是一个最小的例子。为了进行分类，您需要更改一些内容（损失函数等），但这应该没问题：

import numpy as np
import pandas as pd
from keras.datasets import boston_housing
(train_data, train_targets), (test_data, test_targets) =  boston_housing.load_data()

# Standardise data
mean = train_data.mean(axis=0)
train_data -= mean
std = train_data.std(axis=0)
train_data /= std
test_data -= mean
test_data /= std

# Add an additional target (just add some random noise to the original one)
import random
train_targets2 = train_targets + random.uniform(0, 0.1)
test_targets2   = test_targets + random.uniform(0, 0.1)

# https://keras.io/models/model/
from keras import models
from keras import layers
from keras.layers import Input, Dense
from keras.models import Model
from keras import regularizers
from keras.layers.normalization import BatchNormalization

# Input and model architecture
Input_1=Input(shape=(13, ))
x = Dense(1024, activation='relu', kernel_regularizer=regularizers.l2(0.05))(Input_1)
x = Dense(512, activation='relu', kernel_regularizer=regularizers.l2(0.05))(x)
x = Dense(256, activation='relu', kernel_regularizer=regularizers.l2(0.05))(x)
x = Dense(128, activation='relu', kernel_regularizer=regularizers.l2(0.05))(x)
x = Dense(8, activation='relu', kernel_regularizer=regularizers.l2(0.05))(x)

# Outputs
out1 = Dense(1)(x)
out2 = Dense(1)(x)

# Compile/fit the model
model = Model(inputs=Input_1, outputs=[out1,out2])
model.compile(optimizer = "rmsprop", loss = 'mse')
# Add actual data here in the fit statement
model.fit(train_data, [train_targets,train_targets2], epochs=500, batch_size=4, verbose=0, validation_split=0.8)

# Predict / check type and shape
preds = np.array(model.predict(test_data))
#print(type(preds), preds.shape)
# is a 3D numpy array

# get first part of prediction (column/row/3D layer)
preds0 = preds[0,:,0]
# second part
preds1 = preds[1,:,0]

# Check MAE
from sklearn.metrics import mean_absolute_error
print(mean_absolute_error(test_targets, preds0))
print(mean_absolute_error(test_targets2, preds1))

解决此问题的一种非常简单的方法可能是为您的标签集引入一个替代值，然后您可以应用您选择的回归模型。例如使用平均值：

| Feature 1 | Feature 2 | possible labels | substitute target variable 
|-----------------------|-----------------|----------------------------|
|     1     |     5     |     {1, 4}      |            2.5             |
|-----------------------|-----------------|----------------------------|
|     2     |     2     |       {2}       |            2.0             |
|-----------------------|-----------------|----------------------------|
|     4     |     3     |    {3, 5, 6}    |            4.67            |

但是，这是否有意义将取决于您的域。例如，它意味着$\{2, 4, 6\}$ 被同等对待 $\{1, 2, 3, 4, 5, 6, 7\}$因为它们将具有相同的替代目标值（均值）。此外，如果不四舍五入，它通常不会给你一个整数。这是否是一个问题再次取决于您的域。