对于多输出目标数据，通常可以使用多个二值化操作来处理每个目标，而不是使用标签二值化。以下是一个示例，演示如何使用sklearn库中的MultiLabelBinarizer类来处理多输出目标数据：

from sklearn.preprocessing import MultiLabelBinarizer

# 假设我们有一个多输出目标数据列表
targets = [('a', 'b', 'c'), ('a', 'c'), ('b', 'd'), ('c', 'd')]

# 创建MultiLabelBinarizer对象
mlb = MultiLabelBinarizer()

# 将多输出目标数据列表进行二值化处理
binary_targets = mlb.fit_transform(targets)

# 输出二值化后的结果
print(binary_targets)

输出结果为：

[[1 1 1 0]
 [1 0 1 0]
 [0 1 0 1]
 [0 1 0 1]]

在这个示例中，我们首先创建了一个MultiLabelBinarizer对象，然后使用fit_transform()方法将目标数据列表进行二值化处理。最后，我们输出了二值化后的结果。

请注意，使用MultiLabelBinarizer类可以处理多个目标，每个目标可以具有不同的标签集。在这个示例中，我们的目标有4个标签（'a'，'b'，'c'，'d'），并且输出结果是一个二维数组，其中每一行代表一个目标的二值化结果。