我之前创建了一个与此类似的 scikit 模型。现在我想提取两个输出。我不知道在训练时如何传递这些数据。我尝试过像 Keras 那样使用 [y,z] 列表，但在 scikit 中不起作用。之前有人尝试过这个吗？
import numpy as np
from sklearn import linear_model
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
Y = np.array([1, 1, 2, 2])
Z = np.array([1, 1, 2, 2])
clf = linear_model.SGDClassifier(max_iter=1000)
clf.fit(X, [Y, Z])输出：
ValueError: bad input shape (2, 4)回答：
首先，你的目标 [Y, Z] 并不是你所认为的那样：
[Y, Z]
# [array([1, 1, 2, 2]), array([1, 1, 2, 2])]可以说，你想要的应该像你的 X 那样有四行，即
W = np.array([[1, 1], [1, 1], [2, 2], [2, 2]])
W
# 结果：
array([[1, 1],
[1, 1],
[2, 2],
[2, 2]])但即使这样更改，你仍然会得到类似的错误：
clf.fit(X, W)
[...]
ValueError: bad input shape (4, 2)因为，正如 SGDClassifier 的文档中明确提到的，你的依赖变量 y 应该只有一列：
fit(X, y, coef_init=None, intercept_init=None, sample_weight=None)y : numpy array, shape (n_samples,)
目标值
可以说，你正在寻找的是 scikit-learn 的MultiOuputClassifier，用于多输出分类：
from sklearn.multioutput import MultiOutputClassifier
sgd = linear_model.SGDClassifier(max_iter=1000)
multi_target_sgd = MultiOutputClassifier(sgd, n_jobs=-1)
multi_target_sgd.fit(X, W) 现在 fit 可以正常工作，输出如下：
MultiOutputClassifier(estimator=SGDClassifier(alpha=0.0001, average=False, class_weight=None, epsilon=0.1, eta0=0.0, fit_intercept=True, l1_ratio=0.15, learning_rate='optimal', loss='hinge', max_iter=1000, n_iter=None, n_jobs=1, penalty='l2', power_t=0.5, random_state=None, shuffle=True, tol=None, verbose=0, warm_start=False), n_jobs=-1)请记住，所使用的分类器只是为每个目标输出拟合一个分类器；从文档中再次提到：
多目标分类
这种策略包括为每个目标拟合一个分类器。这是扩展不原生支持多目标分类的分类器的一种简单策略
