对于单标签多分类问题可以对预测目标的字符串标签进行独热编码吗？

对于单标签多分类问题可以对预测目标的字符串标签进行独热编码吗？

代码如下

我的所有特征都是连续数值型的，但是目标的标签的字符串因此需要做成哑变量，选择了独热编码进行变换，但是做完之后目标的单列变成了3列，也不清楚这样写能否达到我的目的，最终结果的准确率是怎么来的，因为目标有3列，难道是对每列做预测然后取均值吗？

d = pd.csv('datas.csv')
phase = pd.get_dummies(d['target'])

data = pd.concat([d, pd.DataFrame(target)], axis=1)
data.drop(['target'], axis=1, inplace=True)
features = ['A','B','C']
X = data[features]
target = ['D', 'E', 'F']
y = data[target]
print(y)
X_train, X_test, y_train, y_test = train_test_split(X, y, shuffle=True, train_size=0.8, random_state=0)
clf = tree.DecisionTreeClassifier()
clf.fit(X_train, y_train)
clf_eval = clf.score(X_test, y_test)
print(clf_eval)
result = clf.predict([[1, 2, 1]])
print(result)

运行结果及报错内容

0.8775510204081632
[[0 1 0]]

可以尝试一下LabelEncode：

from sklearn.preprocessing import LabelEncode
d['target'] = LabelEncoder().fit_transform(d['target'])