在机器学习领域，经常需要将一个二分类器或回归器转换为多类别分类器。scikit-learn提供了一种元估计器，它允许在构造函数中提供一个基础估计器来实现这一转换。这种元估计器能够与多类别估计器一起使用，以期望提高模型的准确性或运行时性能。
所有scikit-learn中的分类器都实现了多类别分类，但如果想要尝试自定义的多类别策略，那么就需要使用这个模块。例如，one-vs-the-rest元分类器实现了一个predict_proba方法，前提是基础分类器也实现了这个方法。这个方法返回的是类别成员资格的概率，无论是单标签还是多标签情况。需要注意的是，在多标签情况下，概率是给定样本属于给定类别的边际概率。因此，在多标签情况下，这些概率对于给定样本的所有可能标签的总和不会像单标签情况下那样总和为1。
用户指南中详细介绍了多类别分类的相关内容。在scikit-learn中，有几种多类别策略可供选择，包括一对一（One-vs-One）策略、一对多（One-vs-Rest）策略和输出码（Output-Code）策略。
一对一多类别策略是一种将多类别问题转化为多个二分类问题的方法。对于每个类别，都会创建一个二分类器，该分类器只关注这两个类别之间的区分。在预测时，对每个样本进行所有二分类器的预测，然后根据多数投票原则来确定最终的类别。
一对多策略是另一种常见的多类别问题解决方案。在这种策略中，为每个类别创建一个二分类器，该分类器将该类别与其他所有类别区分开来。在预测时，对每个样本进行所有二分类器的预测，然后选择具有最高概率的类别作为最终预测结果。
输出码策略是一种基于错误校正的多类别策略。在这种策略中，为每个类别分配一个唯一的二进制码，然后为每个类别创建一个二分类器。在预测时，对每个样本进行所有二分类器的预测，并将预测结果组合成二进制码，以确定最终的类别。这种方法可以提高模型的鲁棒性，因为它可以容忍一定程度的错误。
在实际应用中，可以根据具体问题的需求和数据的特点来选择合适的多类别策略。例如，如果类别之间的区分度较高，可以选择一对一策略；如果类别之间的区分度较低，可以选择一对多策略。此外，还可以根据模型的复杂度和计算资源来选择不同的策略。
在实现多类别分类器时，需要注意以下几点：
下面是一个简单的代码示例，展示了如何在scikit-learn中使用一对多策略：
from sklearn.svm import SVC
from sklearn.multiclass import OneVsRestClassifier
# 创建一个基础分类器
clf = SVC(kernel='linear', probability=True)
# 创建一个一对多分类器
ovr_clf = OneVsRestClassifier(clf)
# 训练模型
ovr_clf.fit(X_train, y_train)
# 进行预测
y_pred = ovr_clf.predict(X_test)
# 获取预测概率
y_prob = ovr_clf.predict_proba(X_test)
在这个示例中，首先创建了一个支持向量机分类器，并将其作为基础分类器。然后，创建了一个一对多分类器，并使用训练数据来训练模型。最后，使用测试数据进行预测，并获取预测概率。
通过这个示例，可以看到scikit-learn提供的多类别分类器的使用非常简单和直观。只需要提供基础分类器和相应的策略，就可以构建出高性能的多类别分类模型。