Основываясь на do c на https://scikit-learn.org/stable/modules/multiclass.html#multiclass, есть раздел, в котором говорится;
Классификация по нескольким меткам: задача классификации, помечающая каждый образец x метками из возможных классов n_classes , где x может быть от 0 до n_classes включительно. Это можно рассматривать как прогнозирование свойств образца, которые не исключают друг друга. Формально двоичный вывод назначается каждому классу для каждой выборки. Положительные классы обозначаются 1, а отрицательные классы 0 или -1. Таким образом, это сравнимо с запуском задач двоичной классификации n_classes, например, с sklearn.multioutput.MultiOutputClassifier. В этом подходе каждая метка обрабатывается независимо, тогда как классификаторы с несколькими метками могут обрабатывать несколько классов одновременно, учитывая коррелированное поведение между ними. , учитывая коррелированное поведение между ними. , что это на самом деле означает? Что означает этот подход ? Означает ли это, что sklearn.multioutput.MultiOutputClassifier прогнозирует метки, учитывая возможное поведение взаимодействия между метками, или просто предсказывает метки, как если бы метки не имели ничего общего друг с другом?