能，MultiOutputRegressor可直接套用单输出模型，但仅包装接口、为每个目标独立训练子模型，不建模目标间相关性，且要求y为(n_samples, n_targets)二维数组。
MultiOutputRegressor 能不能直接套用单模型？
能，但得看底层模型支不支持 fit() 和 predict() 的接口规范。像 LinearRegression、RandomForestRegressor 这类原生支持向量输出的模型可以直接用；而 SVR 默认只输出一维，必须包装成 MultiOutputRegressor(SVR()) 才行，否则会报 ValueError: Expected 2D array, got 1D array。
常见踩坑点：
-
MultiOutputRegressor对每个目标变量独立训练一个子模型，不是联合建模——预测结果之间没有协方差约束 - 如果目标变量强相关（比如温度和湿度），单独拟合可能丢掉结构信息，此时该换
MultiTaskLasso或自定义损失函数 - 传入
y必须是二维数组，shape 为(n_samples, n_targets)；若用 pandas DataFrame，别忘了y.values或np.array(y)
怎么让多个输出共享特征表示？
用 MultiOutputRegressor 是“一拖多”，但如果你需要共享隐层表达（比如用神经网络联合学习），就得绕过 sklearn 的封装。PyTorch 或 Keras 更合适：
例如 Keras 中定义一个输出层带两个 Dense(1) 分支，共用前面的全连接层：
立即学习“Python免费学习笔记（深入）”；
model = Sequential([
Dense(64, activation='relu', input_shape=(X.shape[1],)),
Dense(32, activation='relu'),
Dense(2) # 同时输出两个连续值
])
model.compile(loss='mse', optimizer='adam')
注意点：
- loss 用
'mse'默认对所有输出求平均，也可自定义加权 loss - sklearn 的
MultiOutputRegressor不支持这种共享结构，强行套用只会训练出两个孤立模型 - 如果用
TensorFlow/Keras，输入X和y都要是 numpy array，DataFrame 直接喂会出错
预测后怎么评估多个输出的整体性能？
不能只看单个 r2_score 或 mean_squared_error，得明确评估目标：
- 按变量分别算指标：用
sklearn.metrics.r2_score(y_true, y_pred, multioutput='raw_values')得到每个目标的 R² - 整体加权平均：设不同目标重要性不同，传
multioutput=[0.7, 0.3] - 统一缩放后比较：对每个目标做
StandardScaler再算 MSE，避免量纲干扰 - 警惕
multioutput='uniform_average'—— 它把所有目标等权平均，容易掩盖某个关键变量的严重偏差
要不要用 MultiTaskLasso 替代 MultiOutputRegressor？
要看变量间有没有稀疏相关性。如果多个输出共享一部分重要特征（比如几个生理指标都依赖相同基因表达），MultiTaskLasso 通过 L2,1 范数强制特征选择一致，比 MultiOutputRegressor(Lasso()) 更紧凑。
实操区别：
-
MultiTaskLasso要求y是二维且目标数 ≥2，不支持单输出；MultiOutputRegressor没这个限制 -
MultiTaskLasso的coef_shape 是(n_targets, n_features)，可直接对比哪些特征对所有任务都重要 - 训练慢很多，尤其特征维度高时；小数据集上容易过拟合，建议配合
cv=3选alpha
真正难的不是调包，是判断该不该把多个输出当独立任务来解——变量物理意义是否独立、误差是否可接受、部署时要不要保证输出一致性，这些比选哪个 estimator 更影响结果。
