使用MultiOutputClassifier包裹不平衡感知模型时，必须显式为底层分类器设置class_weight='balanced'，否则各标签独立训练时仍会因类别不平衡而失效；需逐标签评估F1、用hamming_loss监控整体效果，并避免误用LabelPowerset。
用 MultiOutputClassifier 包裹不平衡感知模型时要注意什么
直接套用 MultiOutputClassifier + RandomForestClassifier 通常会失效——它对每个标签独立训练，但默认不处理单标签内的类别不平衡。如果你的数据中某个标签只有 3% 的正样本，RandomForestClassifier 默认会倾向全预测负类，而 MultiOutputClassifier 不会自动帮你加 class_weight='balanced'。
正确做法是显式为每个子分类器配置平衡策略：
from sklearn.multioutput import MultiOutputClassifier from sklearn.ensemble import RandomForestClassifier <h1>错误：没传 class_weight</h1><p>clf_bad = MultiOutputClassifier(RandomForestClassifier())</p><h1>正确：每个二分类任务都启用 balanced 权重</h1><p>clf_good = MultiOutputClassifier( RandomForestClassifier(class_weight='balanced') )
-
class_weight='balanced'是按标签内正/负样本频次反比缩放，不是全局平衡 - 若需更精细控制（比如不同标签用不同权重），得继承
MultiOutputClassifier并重写fit方法 -
sample_weight不能直接传给MultiOutputClassifier.fit()；必须在底层分类器中支持并手动传递
评估指标选错会导致模型“看起来很好，实际全崩”
用 accuracy_score 或 classification_report（默认 macro 平均）看多标签结果，会掩盖严重偏科：某个高频标签准确率 95%，低频标签只有 12%，macro 平均后仍显示 53%，但业务上后者可能才是关键。
立即学习“Python免费学习笔记（深入）”；
推荐组合使用：
- 按标签单独算
f1_score(y_true[:, i], y_pred[:, i], average='binary')，检查每个标签的F1 - 用
hamming_loss看整体标签预测错误率（越低越好） - 对关键低频标签，强制用
average='weighted'计算precision/recall，权重设为该标签正样本数
别信 multilabel_confusion_matrix 的默认输出——它返回的是每个标签的 2×2 矩阵列表，但不自动汇总；你得自己提取 tn, fp, fn, tp 再算敏感指标。
LabelPowerset 在稀疏标签组合下极易过拟合
LabelPowerset 把多标签转成单标签问题（例如 [0,1,1] → 类别 "B-C"），看似方便，但在非平衡场景下风险极高：如果某标签组合只出现 2 次，树模型很可能把它记成“噪声规则”，推理时遇到相似样本就胡猜。
适用前提很苛刻：
- 标签组合总数
（否则 <code>OneVsRestClassifier更稳） - 每个组合至少有
5×min_samples_leaf个样本（比如min_samples_leaf=5，那该组合得 ≥25 样本） - 必须配合
class_weight='balanced_subsample'（仅RandomForestClassifier支持），而不是'balanced'
一旦发现 LabelPowerset 在验证集上 hamming_loss 比 OneVsRestClassifier 高 20% 以上，基本可以放弃——这不是调参问题，是表示方法和数据分布不匹配。
用 sklearn.utils.class_weight.compute_sample_weight 手动加权要避开两个坑
想给每个样本分配综合权重（兼顾多标签不平衡 + 样本重要性），很多人直接对 y 调用 compute_sample_weight，但 y 是二维数组（shape: (n_samples, n_labels)），这个函数只接受一维 y。
正确路径是逐标签计算再聚合：
import numpy as np
from sklearn.utils.class_weight import compute_sample_weight
<p>sample_weights = np.ones(len(y))
for i in range(y.shape[1]):</p><h1>对第 i 个标签单独算权重（binary 分类）</h1><pre class="brush:php;toolbar:false;">w_i = compute_sample_weight('balanced', y[:, i])
sample_weights *= w_i # 或取 max / sum，依业务定
- 乘法聚合会指数级放大极端权重，建议改用
np.maximum(sample_weights, w_i) -
compute_sample_weight返回 float64，但部分模型（如XGBoost的sklearn接口）只认 float32，需显式.astype(np.float32) - 如果用了
sample_weight，务必在cross_val_score中传fit_params={'sample_weight': sample_weights}，否则 CV 过程完全忽略它
多标签不平衡不是换几个参数就能解决的事——真正卡住的往往是标签相关性没建模、评估口径和业务目标脱节、或者把“多个不平衡二分类”强行当成“一个不平衡多分类”来训。动手前先跑一遍各标签的正样本占比直方图，比调三天 max_depth 有用得多。
