Multi label classification — это подход в машинном обучении, при котором модель присваивает объекту не один класс, а несколько меток одновременно. В задачах нейросетей такая постановка встречается часто: изображение может содержать человека, автомобиль и дорожный знак, текст может относиться сразу к финансам, политике и рискам, а медицинский снимок может указывать на несколько патологий. В отличие от обычной многоклассовой классификации, здесь классы не исключают друг друга. Главная особенность multi label classification заключается в том, что модель оценивает каждую метку независимо или почти независимо от остальных. На выходе нейросеть обычно формирует набор вероятностей: для каждой категории она показывает, насколько объект к ней относится. Затем система применяет пороги и решает, какие метки оставить. Такой формат удобен для реальных данных, где объекты редко укладываются в одну строгую категорию. В нейросетевых системах multi label classification используется в компьютерном зрении, обработке естественного языка, рекомендательных сервисах, модерации контента и биоинформатике. Например, модель анализа изображений может одновременно определить сцены, предметы и действия. Языковая модель может назначить документу темы, тональность, юридические признаки и уровень риска. В рекомендательных системах один пользовательский запрос может быть связан с несколькими интересами, что делает многометочную классификацию более гибкой, чем выбор единственного класса. Ключевая сложность такого подхода — зависимость между метками. Некоторые категории часто встречаются вместе, другие почти никогда не пересекаются. Если модель игнорирует эти связи, она может выдавать противоречивые комбинации. Поэтому в современных архитектурах применяются механизмы внимания, графовые представления, трансформеры и специальные функции потерь, которые помогают учитывать структуру меток и распределение данных. Оценка качества multi label classification также отличается от классической классификации. Недостаточно проверить, совпал ли один ответ с правильным. Используются метрики precision, recall, F1-score, Hamming loss, subset accuracy и mean average precision. Выбор метрики зависит от области: в медицине важнее не пропустить опасную метку, а в модерации контента может быть критично снизить число ложных срабатываний. На практике результат сильно зависит от разметки данных. Если метки неполные, противоречивые или слишком общие, нейросеть будет воспроизводить эти ограничения. Поэтому для multi label classification важны качественная аннотация, баланс классов, анализ редких меток и настройка порогов после обучения. Один и тот же набор вероятностей может давать разные бизнес-результаты в зависимости от того, насколько строго система принимает решение.