我目前正在使用scikit-learn处理多标签分类问题，并且在学习如何获取每个类/标签的预测概率时遇到了一些麻烦 - 类似于scikit-learn的.predict_proba()方法在二元分类任务上所做的。
我的y是一个 100x10 2d 数组，有 10 个独特的类，我使用 scikit-learn 的 ensemble.RandomForestClassifier() 作为我的分类器。
我想做的只是预测一组给定特征属于y中的类之一（下面称为cl_）的概率。所以基本上我想象的输出类似于这样：
cl_1 | cl_2 | cl_3 | cl_4 | cl_5 | cl_6 | cl_7 | cl_8 | cl_9 | cl_10
---------------------------------------------------------------------
0.0 | 0.0 | 0.0 | 0.1 | 0.3 | 0.0 | 0.0 | 0.0 | 0.6 | 0.0
注意：我已将随机森林分类器拟合到数据集，并且.predict()方法按预期工作。但是，.predict_proba() 方法以 C x M 的形式返回概率，其中 C 是唯一类的数量，M 是数据集中的实例数。
澄清/更新：这是我数据集中的实际y实例：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0]
使用 .predict_proba() on X_test 返回形状为 39 x 848，048 的 2D 数组（其中 39 是唯一类的数量，848，048 是实例的数量）。所以通俗地说，我要问的是：我如何从.predict_proba()回报中赚钱（就上面的小图表而言）。
注意：这：
y_hat_proba = clf.predict_proba(X_test)
print(y_hat_proba[0][1])
返回[ 1. 0.]
.predict_proba(X_test)来获取每个类在新点集上的概率。如果您需要对单个点进行预测，只需确保X_test只有一行。
输出的形状应为 [n_samples， n_classes] （在测试集中）。您可以查看函数的文档。
进行了更新，因为scikit-learn多年来已经取得了相当大的进步，并且这种方法比预测单个样本更通用：
目前，predict_proba()返回
形状数组（n_samples、n_classes）或此类数组的列表
根据文档（目前为 SKLEARN v1.0）。因此，我发现让输出成为 OP 所期望的形状和形式（这也是我所期望的）的一种有用方法是执行以下操作：
# List of length n_labels comprised of numpy arrays each having shape (n_samples, n_classes)
predict_proba_output = model.predict_proba(features_test)
# Make into ndarray of shape (n_samples, n_labels, n_classes)
reshaped_proba_output = np.swapaxes(np.array(predict_proba_output), 0, 1)
请注意，使用 scikit-learn 语法，n_classes 表示"每个目标的基数"。因此，在OP的全二进制目标的情况下，n_classes=2.