Machine learning 当存在多个正确标签时，如何训练机器学习分类模型？

我有一个简单的数据集，有20个特征和8个可能的标签。但是，对于某些记录，可能有多个正确的标签。 我想训练这个模型，使预测的标签成为可能的标签之一。实现这一目标的好方法是什么

例：考虑以下记录：

[color: grey; legs:2; wings:2; mass: 120g;....]

---

一些记录被标记为“麻雀”，而很少有其他记录被命名为“鸟”。在测试期间，我不在乎这些标签中的哪一个被分配给记录，只要它是其中的一个。

这当然取决于模型，但如果你使用的是交叉熵损失的神经网络，这是完全可能的。在通常情况下，标签是一个单热向量

[0，…，0，1，0，….0]

。它的概率解释是目标类为

i

，概率

1.0

（所有其他类为

0.0

）

没有什么可以阻止您定义标签

[0，…，0，0.5，0，…，0，0.5，0，….0]

：正确的类是

i

概率

0.5

和

j

概率

0.5

。因此，模型了解到，对于给定的输入，这两个标签都是正确的。训练模型后，您甚至可以输出两个或更多类，例如概率高于

阈值的所有类。或者您可以始终选择最大可能类，在这种情况下，可以选择任何一个类

请注意，这种技巧（称为软类）仅适用于概率模型，并非所有机器学习算法都是概率的。因此，模型的选择在这里很重要。
我确实在使用交叉熵损失的神经网络。你的回答很有帮助。我将尝试你推荐的方法。