'Continuous-multioutput' в качестве целевого вывода многопозиционного DecisionTree
Я имею дело с проблемой классификации с несколькими метками (4 метки). Классификация - это бинарная классификация. Целевые значения выглядят так: [0 0 1 1] Я применил модель CNN, скажем, modelA, к своим данным, и получил эти логиты из предсказания модели после обучения. Примерный прогноз выглядит так -
[0,035143 0,04422513 0,94436157 0,87883586]
Теперь я хочу запустить DecisionTreeClassifier, скажем, modelB на том же входе. Однако на этот раз вместо того, чтобы указывать [0 0 1 1], я хочу предоставить прогнозируемые вероятности из модели A в качестве целевых значений.
Если я даю целевой результат вроде [0 0 1 1], DecisionTreeClassifier работает хорошо. Применение этих логитов в качестве целевого вывода DecisionTreeClassifier не так просто.
Мне интересно, есть ли способ, которым я могу предоставить эти "непрерывно-множественный вывод" в качестве целевого вывода DecisionTree?
Одно из возможных решений: вместо применения DecisionTreeClassifier я могу использовать DecisionTreeRegressor, чтобы получить вероятности в качестве выходных данных, а затем округлить прогнозы. Но я хочу знать, есть ли какое-либо решение на основе DecisionTreeClassifier?