我正在尝试构建一个神经网络，通过分析书籍的文本来预测书籍的类型。当每本书只有一种类型时，我可以很好地训练网络。但是，当一本书与多种类型相关联时，有没有好的方法来训练网络呢？

我尝试使用了sklearn中的基本SGDClassifier。当数据集中每本书/文本块只与一种类型相关联时，它运作得很好。不幸的是，我不知道如何处理每本书/文本块与多种类型相关联的数据集。

为了提供背景，这里是我正在使用的基本代码：

from sklearn.linear_model import SGDClassifiersgd = Pipeline([('vect', CountVectorizer()),                ('tfidf', TfidfTransformer()),                ('clf', SGDClassifier('basic parameters')),               ])sgd.fit(x_train, y_train)y_pred = sgd.predict(x_test)

有没有人知道解决这个问题的好方法？有没有人能给我链接到某个聪明人已经解决过这个问题的地方？

回答：

这个问题应该在stats.stackexchange.com上提问，但我还是会尝试回答。你这里遇到的是一个多标签“分类问题”。假设你有三种类型A、B和C，你可以将这三种类型的每一种组合视为一个类别，你将得到以下类别[0 0 0], [1 0 0], [0 1 0], [0 0 1], [1 1 0], [1 0 1], [0 1 1], [1 1 1]，例如[1 0 1]表示一本书属于A和C类型。

这些链接应该能帮助你理解和处理你的问题

https://towardsdatascience.com/journey-to-the-center-of-multi-label-classification-384c40229bffhttps://towardsdatascience.com/multi-label-classification-and-class-activation-map-on-fashion-mnist-1454f09f5925