我有一个DataFrame X，其中有一个名为target的列，具有10个不同的标签：[0,1,2,3,4,5,6,7,8,9]。我有一个机器学习model，比方说：model=AdaBoostClassifier()我想通过执行交叉验证过程来训练模型来拟合数据并再次预测标签。我使用两个指标进行交叉验证：accuracy和neg_mean_squared_error，以评估性能并计算比率：neg_mean_squared_error/accuracy。这些行就像：
model.seed = 42
outer_cv = StratifiedKFold(n_splits=10, shuffle=True, random_state=1)
scoring=('accuracy', 'neg_mean_squared_error')
scores = cross_validate(model, X.drop(target,axis=1), X[target], cv=outer_cv, n_jobs=-1, scoring=scoring)
scores = abs(np.sqrt(np.mean(scores['test_neg_mean_squared_error'])*-1))/np.mean(scores['test_accuracy'])
score_description = [model,'{model}'.format(model=model.__class__.__name__),"%0.5f" % scores]
但是，每当我开始运行时，都会收到以下错误消息：
ValueError: Samplewise metrics are not available outside of multilabel classification.
我该如何解决指标问题并执行相应的分类？在多标签案例中，我可以使用哪些指标来评估模型的性能？