Python中的多输出多类机器学习

我一直在研究并努力寻找解决这个问题的最佳方法。我有一个训练数据集和一个测试数据集。测试数据集缺少训练数据集具有的两个特征列（通道和扇区-均由4个类组成）

我已经在数据上建立了一个决策树，但是当我需要在两个方面都进行培训时，我只能使用它在任何一个通道或扇区上进行培训

有谁能给我一个用python实现多类多输出机器学习的建议吗

import os
import subprocess

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier, export_graphviz

def getPath(thisFile):
    if os.path.exists(thisFile):
        df = pd.read_csv(thisFile, header=0)
    else:
        return
    return df

def visualize_tree(tree, feature_names):

    with open("dt.dot", 'w') as f:
        export_graphviz(tree, out_file=f,
                        feature_names=feature_names)

    command = ["dot", "-Tpng", "dt.dot", "-o", "dt.png"]
    try:
        subprocess.check_call(command)
    except:
        exit("Could not run dot, ie graphviz, to "
             "produce visualization")

data = np.loadtxt("newTrain2.csv", delimiter=',')
X = data[:, 1:4]
quantity = data[:, 2]
for i in range(len(quantity)):
    if quantity[i] < 30:
        quantity[i] = 1
    if quantity[i] >= 25 and quantity[i] < 75:
        quantity[i] = 2
    if quantity[i] >= 75 and quantity[i] < 250:
        quantity[i] = 3
    if quantity[i] > 250:
        quantity[i] = 4
revenue = data[:, 3]
for i in range(len(revenue)):
    if revenue[i] < 1000:
        revenue[i] = 1
    if revenue[i] >= 1000 and revenue[i] < 4000:
        revenue[i] = 2
    if revenue[i] >= 4000 and revenue[i] < 10000:
        revenue[i] = 3
    if revenue[i] > 10000:
        revenue[i] = 4
X[:, 1] = quantity
X[:, 2] = revenue



targets = data[:,4]

thisTree = DecisionTreeClassifier(min_samples_split=30, random_state=99)
thisTree.fit(X, targets)
visualize_tree(thisTree, ["product", "quantity", "revenue"])

导入操作系统
导入子流程
作为pd进口熊猫
将numpy作为np导入
从sklearn.tree导入决策树分类程序，导出图形
def getPath（此文件）：
如果os.path.exists（此文件）：
df=pd.read\u csv（此文件，头=0）
其他：
返回
返回df
def可视化_树（树、特征_名称）：
以开放（“dt.dot”和“w”）作为f：
导出图形viz（树，输出文件=f，
要素名称=要素名称）
command=[“dot”、“-Tpng”、“dt.dot”、“-o”、“dt.png”]
尝试：
子进程检查调用（命令）
除：
退出（“无法运行点，即graphviz到”
“制作可视化”）
data=np.loadtxt（“newTrain2.csv”，分隔符='，'）
X=数据[：，1:4]
数量=数据[：，2]
对于范围内的i（长度（数量））：
如果数量[i]<30：
数量[i]=1
如果数量[i]>=25且数量[i]<75：
数量[i]=2
如果数量[i]>=75且数量[i]<250：
数量[i]=3
如果数量[i]>250：
数量[i]=4
收入=数据[：，3]
对于范围内的i（len（收入））：
如果收入[i]<1000：
收入[i]=1
如果收入[i]>=1000且收入[i]<4000：
收入[i]=2
如果收入[i]>=4000且收入[i]<10000：
收入[i]=3
如果收入[i]>10000：
收入[i]=4
X[：，1]=数量
X[：，2]=收入
目标=数据[：，4]
thisTree=DecisionTreeClassifier（最小样本数分割=30，随机状态=99）
ThistTree.fit（X，目标）
可视化_树（此树，[“产品”、“数量”、“收入”]）

一种方法是将两个缺少的列合并在一起，只在一个列中转换。如果每个列有4个不同的类，则合并列将有4*4=16个类。

我最终这样做了，但我确信有更好的方法