我遇到了一个机器学习问题，需要使用多维的Y值。目前我们对输出每个维度分别训练独立的模型，这并没有利用到输出之间相关性的额外信息。

我一直在阅读这篇文章，以了解更多关于少数已经真正扩展到处理多维输出的机器学习算法。决策树就是其中之一。

当fit(X,Y)给定一个多维的Y时，scikit-learn是否使用“多目标回归树”，还是为每个维度拟合一个单独的树？我花了一些时间查看代码，但没有弄清楚。

回答：

经过进一步的深入研究，唯一区别在于给定单维Y标签的点和给定多维标签的点所使用的Criterion对象，用于决定分裂。Criterion可以处理多维标签，因此无论Y的维度如何，拟合DecisionTreeRegressor的结果都将是一个单一的回归树。

这意味着，scikit-learn确实使用了真正的多目标回归树，可以利用相关输出产生积极效果。