我已经通过指定单个标签列来学习每个标签的代码，现在我试图同时指定所有标签... 数据位于Pandas dataFrame中。当我在每个标签上进行训练时，我会在每个标签上获得优于73％的标签。我确实想独立训练每个标签。那么这可能是完全错误的做法？
这个版本似乎只是在列表中的一个标签上进行培训，或者它可能正在训练所有这些并且我不知道如何正确反省？
from sklearn.cross_validation import cross_val_score
#split the dataset for train and test
combnum['is_train'] = np.random.uniform(0, 1, len(combnum)) <= .75
train, test = combnum[combnum['is_train']==True], combnum[combnum['is_train']==False]
et = RandomForestClassifier(n_estimators=114, max_depth=None, min_samples_split=10, random_state=0 )
labels = train[list(label_columns)].values
#I get good results with
#labels = train["service_a"].values
features = train[list(columns)].values
et_score = cross_val_score(et, features, labels, n_jobs=-1).mean()
print("{0} -> ET: {1})".format(columns[1:2], et_score))
输出：[＆＃39; n_0003＆＃39;] - ＆gt; ET：0.282943628784）
label_columns只是列标题的列表，例如：
['service_a',
'service_b',
'service_c',
'service_d',
'service_e',
'service_f',
'service_g',
'service_h',
'service_i',
'service_j',
'service_k',
'service_l',
'service_m',
'service_n']
的推导方式与功能列表相同（有效...） 我想要通过标签获得交叉验证分数，这可以吗？
当我将最后两行更改为：
时et_score = cross_val_score(et, features, labels, n_jobs=-1)
print("{0} -> ET: {1})".format(label_columns, et_score))
我得到:: [＆＃39; service_a＆＃39;，＆＃39; service_b＆＃39;，＆＃39; service_c＆＃39;，＆＃39; service_d＆＃39;，＆＃39; service_e＆＃ 39;，＆＃39; service_f＆＃39;，＆＃39; service_g＆＃39;，＆＃39; service_h＆＃39;，＆＃39; service_i＆＃39;，＆＃39; service_j＆＃39;，＆＃ 39; service_k＆＃39;，＆＃39; service_l＆＃39;，＆＃39; service_m＆＃39;，＆＃39; service_n＆＃39;] - ＆gt; ET：[0.28435115 0.28633761 0.28033815]）