Python 对label powerset和RakelD模型输出的解释

我正在为一个有33个标签的数据集进行多标签分类任务

我想预测不同标签组合的实例概率。 我运行与此类任务相关的scikit multilearn软件包中的Label Powerset（）和RakelD（）模型

我得到了一个稀疏矩阵的输出，其大小为测试集样本数X标签数，因此似乎我得到了每个标签的预测分数，而不是每个标签组合的预测分数。 我不确定我做错了什么——我是否误解了？还是我用错了

这是相关的代码行：

classifier = RakelD(
base_classifier=GaussianNB(),
base_classifier_require_dense=[True, True],
labelset_size=4
)

classifier.fit(X_train, y_train)
  
predictions = classifier.predict_proba(X_test)

而且

classifier = LabelPowerset(LogisticRegression(max_iter=1000))
classifier.fit(X_train, y_train)
predictions = classifier.predict_proba(X_test)

这只是输出的一部分（1727是测试集样本数，33是标签数）

任何帮助都将不胜感激

  (1727, 24)    4.448848136222317e-17
  (1727, 25)    0.9999999999999716
  (1727, 26)    8.88216696887196e-23
  (1727, 27)    9.592208368406972e-23
  (1727, 28)    0.9997353073474586
  (1727, 29)    2.9735581432191686e-12
  (1727, 30)    2.445564006803013e-40
  (1727, 31)    8.208621013012522e-33
  (1727, 32)    0.9999999993735122