我无法让TPOT（版本0.9.2，Python 2.7）在多类数据上工作（尽管我在TPOT的文档中没有找到任何说明它仅支持二元分类的内容）。
下面提供了一个示例。它运行到9%然后就崩溃了，报错如下：
RuntimeError: TPOT优化过程中出现了错误。这可能是因为数据格式不正确，或者是因为将回归问题的数据提供了给TPOTClassifier对象。请确保您正确地将数据传递给了TPOT。但是将n_classes改为2后，它就能正常运行了。
from sklearn.metrics import f1_score, make_scorerfrom sklearn.datasets import make_classificationfrom tpot import TPOTClassifierscorer = make_scorer(f1_score)X, y = make_classification(n_samples=200, n_features=100, n_informative=20, n_redundant=10, n_classes=3, random_state=42)tpot = TPOTClassifier(generations=10, population_size=20, verbosity=20, scoring=scorer)tpot.fit(X, y)回答：
实际上，TPOT也应该能处理多类数据 – 文档中的示例使用的是MNIST数据集（10个类别）。
错误与f1_score有关；保持您的代码使用n_classes=3，并请求
tpot = TPOTClassifier(generations=10, population_size=20, verbosity=2)（即使用默认的scoring='accuracy'）可以正常工作：
警告：xgboost.XGBClassifier不可用，TPOT将不会使用它。第1代 - 当前最佳内部CV得分：0.7447422496202984第2代 - 当前最佳内部CV得分：0.7447422496202984第3代 - 当前最佳内部CV得分：0.7454927186634503第4代 - 当前最佳内部CV得分：0.7454927186634503第5代 - 当前最佳内部CV得分：0.7706334316090413第6代 - 当前最佳内部CV得分：0.7706334316090413第7代 - 当前最佳内部CV得分：0.7706334316090413第8代 - 当前最佳内部CV得分：0.7706334316090413第9代 - 当前最佳内部CV得分：0.7757616367372464第10代 - 当前最佳内部CV得分：0.7808898418654516最佳管道：LogisticRegression(KNeighborsClassifier(DecisionTreeClassifier(input_matrix, criterion=entropy, max_depth=3, min_samples_leaf=15, min_samples_split=12), n_neighbors=6, p=2, weights=uniform), C=0.01, dual=False, penalty=l2)TPOTClassifier(config_dict={'sklearn.linear_model.LogisticRegression': {'penalty': ['l1', 'l2'], 'C': [0.0001, 0.001, 0.01, 0.1, 0.5, 1.0, 5.0, 10.0, 15.0, 20.0, 25.0], 'dual': [True, False]}, 'sklearn.decomposition.PCA': {'iterated_power': range(1, 11), 'svd_solver': ['randomized']}, 'sklearn.feature_selection.Se...ocessing.PolynomialFeatures': {'degree': [2], 'interaction_only': [False], 'include_bias': [False]}}, crossover_rate=0.1, cv=5, disable_update_check=False, early_stop=None, generations=10, max_eval_time_mins=5, max_time_mins=None, memory=None, mutation_rate=0.9, n_jobs=1, offspring_size=20, periodic_checkpoint_folder=None, population_size=20, random_state=None, scoring=None, subsample=1.0, verbosity=2, warm_start=False)按照文档中建议的用法请求F1得分，即：
tpot = TPOTClassifier(generations=10, population_size=20, verbosity=2, scoring='f1')再次产生了您报告的错误，可能是因为f1_score中的默认参数是average='binary'，这确实对多类问题没有意义，而简单的f1仅适用于二元问题（文档）。
在scoring中明确使用F1得分的其他变体，例如f1_macro、f1_micro或f1_weighted可以正常工作（未显示）。
