在Scikit-learn中，可以使用MultiLabelBinarizer來實現多標簽分類。以下是一個簡單的示例代碼：
from sklearn.preprocessing import MultiLabelBinarizer
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
# 定義訓練數據
X_train = [[1, 2], [2, 3], [3, 4], [4, 5]]
y_train = [[0, 1], [1, 2], [2], [1, 3]]
# 使用MultiLabelBinarizer將多標簽轉換為二進制形式
mlb = MultiLabelBinarizer()
y_train_bin = mlb.fit_transform(y_train)
# 定義分類器
clf = OneVsRestClassifier(SVC())
# 訓練模型
clf.fit(X_train, y_train_bin)
# 定義測試數據
X_test = [[1, 3], [2, 4]]
# 進行預測
y_pred = clf.predict(X_test)
# 將二進制形式的預測結果轉換為多標簽形式
y_pred_label = mlb.inverse_transform(y_pred)
print("預測結果：", y_pred_label)
在上面的代碼中，首先定義了訓練數據X_train和對應的多標簽y_train，然后使用MultiLabelBinarizer將多標簽轉換為二進制形式y_train_bin。接著定義了OneVsRestClassifier分類器，并訓練模型。最后定義了測試數據X_test，進行預測，并將預測結果轉換為多標簽形式輸出。
使用MultiLabelBinarizer可以方便地處理多標簽分類問題，在訓練和預測過程中都能夠輕松地轉換多標簽數據。
