我的数据如图所示，共有大约25,000行。数据包含了过去4年的12个月的详细信息。我希望预测特定月份和特定职位的客户和职位开放情况。
from sklearn.cross_validation import train_test_splitfrom sklearn import preprocessingle = preprocessing.LabelEncoder()df_final['Clientname_numeric'] = le.fit_transform(df_final['ClientName'])X = df_final[['MONTH','JobTitleID']]y = df_final[['PositionsOpened','Clientname_numeric']]x_train,x_test,y_train,y_test = train_test_split(X,y,test_size = 0.05 )from sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_scorefrom sklearn.metrics import confusion_matrixclf = RandomForestClassifier()clf.fit(x_train, y_train)predictions = clf.predict(x_test)predictions = predictions.astype(int)accuracy = accuracy_score(y_test,predictions)我在使用上述代码时遇到了错误ValueError: multiclass-multioutput is not supported
回答：
您可以使用scikit learn包和随机森林分类器。我需要指出的是，我对机器学习的了解仅限于表面知识，因此这可能并不适合您的特定情况。然而，RandomForestClassifier确实允许一次预测多个输出。
总的来说，根据您的数据，您可以这样处理（使用Scikit Learn）：
- 将表格分成输入列和输出列。这可能最容易通过
pandas包来完成。然后将这些数据分成训练和测试子集。Scikit提供了一个现成的解决方案来完成这项工作。 - 创建一个如
RandomForestClassifier的分类器实例，并使用训练集的输入和输出数据进行训练（classifier.train(inputs_train, outputs_train)）。 - 根据测试数据的输入，预测输出（
classifier.predict(inputs_predict)）。决定您是否对分类器的预测质量感到满意。
