Language agnostic 基于预测分类器的多分类

我有一个分类问题，我想预测一个结果，但希望我的分类器在答案上获得几次“尝试”（类似于进行双向下注），而不是一个正确或不正确的分类，我想知道实现这一点的最佳过程

示例：给定结果A、B、C和D，我想预测它将是“A或B”或“A或C”，并且“正确”的解决方案（至少包含正确的个人答案的解决方案）会相应地影响学习过程

到目前为止，我的想法是将设置的数据拆分为多个容器，大致如上文所述（A或C），并以通常的方式训练分类器，或者训练多个分类器，使其多样化，并简单地组合结果，但我想知道是否有更好/不同的方法？我肯定这不是一个独特的问题，但我不确定谷歌的术语是否正确

---

我不知道这是否是一个相关的问题，但是否也有一种方法可以包括在选项“我不知道”中，即不进行分类？

很多分类器可以做你想做的事。
朴素贝叶斯可以为您提供每个标签的概率，因此您可以采用k个最可能的标签，而不仅仅是单个最可能的标签，并将其输出。
逻辑回归，支持向量机还可以为每个标签打分，让您做类似的事情。
另一个技巧是稍微扰动输入特征向量并将其输入分类器。重复几次，得到的不是一个输出标签，而是几个。您可以按频率对它们进行计数和排序，以获得多个可能的答案。然后，您可以制定一些截止条件，以仅拾取这些标签的子集并将其返回给用户