用途：针对表格数据的多标签分类任务，即每行可同时拥有零个、一个或多个非互斥标签（如帖子标签、商品属性、患者疾病、内容审核类别）。每个标签应有至少数百条正样本，否则稀有标签效果不佳。每行仅一个标签应改用多分类技能，恰好两个标签应改用二分类技能，超过约1000个标签的极端多标签场景不在本技能范围内。
主要能力：默认方案是用 MultiOutputClassifier 包装 XGBClassifier，为每个标签拟合一个独立的二分类模型，简单、快速且有竞争力。当标签之间存在相关且顺序有意义时，可改用 ClassifierChain，它按顺序拟合N个分类器，每个分类器可看到前序分类器的预测作为额外特征；链顺序会影响结果，常见做法是训练多个随机顺序的链并平均预测。
关键要点：目标 Y 是形状为 (n_samples, n_labels) 的矩阵，而非向量。主指标为汉明损失（越低越好），而非子集准确率；后者过于严格，容易误导。F1 有四种平均策略：macro、micro、weighted、samples，默认使用 macro 以暴露稀有标签失败。应计算标签条件共现矩阵 P(label_j | label_i)，判断标签是否相关：若接近边际分布则独立，用 MultiOutputClassifier；若明显偏高则考虑 ClassifierChain。每个标签应单独监控 F1 并记录到 MLflow。
使用方式：项目包含 data/、src/train.py（ibis 读取 → MultiOutputClassifier(XGBClassifier) → MLflow）、src/predict.py（重新加载并返回每行标签向量与每标签概率）、src/plots.py（标签平衡、共现、每标签指标、基数）等。数据访问使用 ibis 连接 DuckDB 并读取 Parquet，选取 feature_ 前缀的特征列与 label_ 前缀的标签列。MLflow 记录参数、指标与制品。
限制与常见陷阱：不要以子集准确率作为主指标；不要对每行使用单一阈值而应按标签调阈值；记得设置 n_jobs=-1 并行训练；F1 计算需设置 zero_division=0；MultiOutputClassifier 不便为每个标签单独设置 scale_pos_weight，可用全局 sample_weight 或手工逐标签训练；注意多标签与多分类的 Y 形状差异；监控真实与预测的标签基数漂移，以发现阈值问题。