Este documento presenta un nuevo método de clasificación para conjuntos de datos multi-clase y multi-etiqueta, llamado árbol de modelo logístico multi-clase y multi-etiqueta (MMLMT). Nuestro enfoque respalda el aprendizaje multi-etiqueta para predecir múltiples etiquetas de clase simultáneamente, mejorando así la capacidad del modelo para capturar relaciones complejas dentro de los datos. El objetivo principal es mejorar la precisión de las tareas de clasificación que involucran múltiples clases y etiquetas. MMLMT integra los algoritmos de regresión logística (LR) y árbol de decisión (DT), produciendo modelos interpretables con un alto rendimiento predictivo. Al combinar las fortalezas de LR y DT, nuestro método ofrece un marco flexible y potente para manejar datos multi-clase y multi-etiqueta. Experimentos extensos demostraron la efectividad de MMLMT en una variedad de conjuntos de datos conocidos con una precisión promedio del 85.90%. Además, nuestro método logró una mejora promedio del 9.87% en comparación con los resultados de estudios de vanguardia en la literatura. Estos resultados resaltan el potencial de MMLMT como un enfoque valioso para el aprendizaje multi-etiqueta.