在scikit-learn中用MultiOutputRegressor类实现多输出回归，它是一个元估计器，通过为每个目标列独立训练单输出回归器（如LinearRegression、RandomForestRegressor）来扩展模型，要求y为二维数组(n_samples, n_targets)，不共享参数且忽略目标间相关性。
多输出回归在 scikit-learn 中用什么类
scikit-learn 本身不提供独立的“多输出回归器”类型，而是通过 MultiOutputRegressor 这个元估计器（meta-estimator）来包装任意单输出回归器，自动将其扩展为支持多个目标变量。它对每个输出列单独拟合一个模型，内部是并行或顺序训练多个独立的回归器。
- 不要试图直接用
LinearRegression或RandomForestRegressor拟合二维y（比如 shape 为 (n_samples, n_targets)），会报错：ValueError: Expected 2D array, got 1D array instead -
MultiOutputRegressor是标准解法，兼容所有实现了fit/predict接口的回归器 - 它不改变底层模型逻辑，只是做“列拆分 + 独立拟合 + 预测拼接”，所以可解释性、特征重要性（如来自树模型）仍需按单列分别提取
怎么构造和训练 MultiOutputRegressor
核心就是两步：选基模型 + 包一层 MultiOutputRegressor。注意基模型必须支持 sample_weight（如果要用权重），且不能是只接受一维 y 的旧式模型（scikit-learn 1.0+ 后基本都满足）。
from sklearn.multioutput import MultiOutputRegressor
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import Ridge
<h1>正确：用 RandomForestRegressor 包装</h1><p>mor = MultiOutputRegressor(RandomForestRegressor(n_estimators=50))</p><h1>也可以换 Ridge（L2 正则化线性模型）</h1><p>mor_ridge = MultiOutputRegressor(Ridge(alpha=1.0))</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill6933" title="python-script-generator"><img
src="https://img.php.cn/upload/skill/000/000/081/179119443150703.jpg" alt="python-script-generator" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill6933" title="python-script-generator">python-script-generator</a>
<p>快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。</p>
</div>
<a href="/xiazai/skill6933" title="python-script-generator" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><h1>训练：X 是 (n_samples, n_features)，y 必须是 (n_samples, n_targets)</h1><p>mor.fit(X_train, y_train) # y_train.shape == (1000, 3) 表示 3 个输出</p>- 如果
y_train是一维数组（shape(n_samples,)），MultiOutputRegressor会静默失败或报错，务必检查维度 - 默认使用
n_jobs=1，设为-1可并行训练各输出模型（适合目标数较多、基模型较重的场景） -
MultiOutputRegressor的predict返回仍是二维数组，每列对应一个目标，顺序与训练时y列顺序严格一致
预测后如何评估多个输出的性能
scikit-learn 的评估函数（如 mean_squared_error、r2_score）默认按样本平均，但多输出时你通常需要知道每个目标的表现，或整体加权结果。
- 直接传入二维
y_true和y_pred，设置multioutput='raw_values'得到每列指标：from sklearn.metrics import mean_squared_error, r2_score </li></ul><p>mse_per_target = mean_squared_error(y_test, y_pred, multioutput='raw_values')</p><h1>返回 array([0.12, 0.45, 0.08]) —— 每个输出的 MSE</h1>
-
multioutput='uniform_average'（默认）会对各列指标取算术平均 -
multioutput='variance_weighted'按各目标方差加权，适合量纲差异大的场景 - 注意：不要用
accuracy_score，那是分类指标；多输出回归只能用回归类评估器
容易被忽略的坑：数据泄漏与目标相关性
MultiOutputRegressor的本质是“独立建模”，它完全忽略输出变量之间的潜在相关性。这在多数场景下够用，但可能损失精度。- 如果多个目标强相关（例如预测同一设备的温度、湿度、气压），考虑用
RegressorChain（链式预测，把前序目标预测值作为后续目标的特征），但需手动设计顺序 - 使用
MultiOutputRegressor时，切勿在fit前对y做全局标准化（如StandardScaler().fit_transform(y)），否则各列缩放尺度不同，会影响模型对不同目标的学习强度；应分别对每列y标准化，或改用MultiOutputRegressor+ 单列StandardScaler流水线 - 时间序列或多步预测场景下，
MultiOutputRegressor无法建模跨时间步依赖，此时应转向专用模型（如sktime中的MultiOutputTabularRegressor或自定义递归预测）
多输出不是简单把 y 变成二维就完事；关键在理解
MultiOutputRegressor的“列隔离”假设是否贴合你的业务逻辑。 -
