Подход к машинному обучению с иерархической классификацией сверху вниз

У меня есть набор данных предложений, которые были помечены ярлыками из иерархии. Иерархия - это набор музыкальных жанров. Это дерево, а не группа DAG - у каждого узла есть только один родительский элемент и один родительский элемент. Вот отрывок в качестве примера:

root = music
     parent = latin
            child = afro-cuban
                    child = salsa
            child = brazilian
                    child = axe
     parent = non-latin
            child = classical
     ...

Например, для предложения Mozart is the best из собранных аннотаций большинство согласны с тем, что метка класса для этого предложения или основной истины - classical. Из иерархии мы знаем, что classical также является формой non-latin музыки, которая является формой music. В то время как i prefer salsa мог быть аннотирован как latin.

С точки зрения классификации, выравнивание иерархии - что я сделал - интуитивно не решает проблему, поскольку мы полностью игнорируем иерархию классов. Он также дает низкие результаты при использовании Weka и выбора классификаторов, поскольку мы сталкиваемся с проблемой многоклассовой классификации.

Моя проблема в том, что я читал очень расплывчатую литературу и онлайн-статьи о том, как реализована иерархическая классификация. Я бы хотел использовать Weka и Python. Но я просто хотел пояснить, как выполнять иерархическую классификацию в этой ситуации. Итак, мои вопросы:

1) как лучше всего обойти это? Будет ли оптимальным вариантом нисходящий подход? Если я сделаю это, как мне избежать проблемы неправильной классификации на каждом уровне? т.е. он может предсказывать latin на уровне 1 и classical на уровне 2. А как насчет двоичного классификатора? Я открыт для предложений.

2) как сюда попадают данные обучения и тестирования?

3) как можно оценить эффективность классификации? В частности, при нисходящем подходе, так как у нас будут оценки для каждого отдельного уровня.