Python 基于多输入（如月份和固定值列）预测多输出

我有一个数据，如图所示。大约25000行。数据包含了过去4年12个月的详细信息。我想预测特定月份和特定职位的客户和职位空缺

from sklearn.cross_validation import train_test_split
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
df_final['Clientname_numeric'] = le.fit_transform(df_final['ClientName'])
X = df_final[['MONTH','JobTitleID']]
y = df_final[['PositionsOpened','Clientname_numeric']]
x_train,x_test,y_train,y_test = train_test_split(X,y,test_size = 0.05 )
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
clf = RandomForestClassifier()
clf.fit(x_train, y_train)
predictions = clf.predict(x_test)
predictions = predictions.astype(int)
accuracy = accuracy_score(y_test,predictions)

我使用上面的代码，并得到错误

---

ValueError:不支持多类多输出

您可以使用软件包

scikit学习

和。我应该指出，我对机器学习只有非常肤浅的了解，所以对于你的具体情况来说，这可能是错误的。然而，

随机森林分类器

允许一次预测多个输出

通常，根据您的数据，您可以这样处理（使用Scikit学习）：

• 将表拆分为输入列和输出列。这可能是使用

  pandas

  包最容易实现的。然后将它们分成训练和测试子集。Scikit提供了一种新的解决方案
• 创建一个分类器实例，如

  RandomForestClassifier

  ，并使用训练集中的输入和输出数据对其进行训练（

  classifier.train（inputs\u train，outputs\u train）

  ）
• 给定测试数据的输入，预测输出（

  classifier.predict（inputs\u predict）

  ）。确定您是否对分类器的预测质量感到满意

---

对于分类多个输出，sklearn有一个库，它需要一个基础估计器，如随机森林、梯度提升等

该库允许多重输出回归和分类

---

希望这有帮助

我没有得到很好的精度，它是0.27。有其他模型可以应用吗？对于每一家公司来说，这是一张不同的图表，我无法理解该应用什么。我已经更新了上面的内容，代码发布在那里