我想对一组3D图像（MRI）进行分类。有 4 个类别（即疾病 A、B、C、D 的等级），其中 4 个等级之间的区别并非微不足道，因此我对训练数据的标签不是每张图像一个类。这是一组 4 个概率，每个类一个，例如
0.7 0.1 0.05 0.15
0.35 0.2 0.45 0.0
...
。基本上意味着
- 第一张图像属于 A 类，概率为 70%，B 类为 10%，C 类为 5%，D 类为 15%
- 等等，我相信你明白了。
我不明白如何使用这些标签拟合模型，因为scikit-learn分类器期望每个训练数据只有一个标签。仅使用概率最高的类会导致悲惨的结果。
我可以使用scikit-learn多标签分类（以及如何）训练我的模型吗？
请注意：
- 特征提取不是问题。
- 预测不是问题。
我可以使用乘法分类框架以某种方式处理这个问题吗？
为了使predict_proba返回每个类 A、B、C、D 的概率，需要为每个图像使用一个标签来训练分类器。
如果是：如何？
使用图像类作为训练集中的标签（Y）。也就是说，您的输入数据集将如下所示：
F1 F2 F3 F4 Y
1 0 1 0 A
0 1 1 1 B
1 0 0 0 C
0 0 0 1 D
(...)
其中F#是每个图像的特征，Y是医生分类的类别。
如果没有：还有其他方法吗？
对于每个图像有多个标签的情况，即多个潜在类或其各自的概率，多标签模型可能是更合适的选择，如多类和多标签算法中所述。