我使用Python语言和scikit-learn库来解决经典的回归问题。这很简单：

        ml_model = GradientBoostingRegressor()        ml_params = {}        ml_model.fit(X_train, y_train)

其中y_train是一个一维的类数组对象

现在我想扩展任务的功能，不仅获得一个目标值，而是获得一组目标值。训练样本集X_train将保持不变。一个直观的解决方案是训练多个模型，其中X_train对所有模型都相同，但每个模型的y_train是特定的。这无疑是一个可行的解决方案，但在我看来，这是一个低效的解决方案。

在寻找替代方案时，我遇到了多目标回归的概念。据我所知，scikit-learn中没有实现这样的功能。如何用Python高效地解决多目标回归问题？谢谢）

回答：

这取决于你要解决的问题、你拥有的训练数据，以及你选择的算法来寻找解决方案。如果不了解所有细节，建议任何东西都是非常困难的。你可以尝试使用随机森林作为起点。这是一个非常强大且鲁棒的算法，在数据量不多的情况下抗过拟合，并且它也可以用于多目标回归。这里有一个工作示例：

from sklearn.datasets import make_regressionfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestRegressorX, y = make_regression(n_targets=2)print('特征向量:', X.shape)print('目标向量:', y.shape)X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8)print('构建并拟合回归模型...')model = RandomForestRegressor()model.fit(X_train, y_train)score = model.score(X_test, y_test)print('完成。得分', score)

输出：

特征向量: (100, 100)目标向量: (100, 2)构建并拟合回归模型...完成。得分 0.4405974071273537

该算法原生支持多目标回归。对于那些不支持的算法，你可以使用多输出回归器，它简单地为每个目标拟合一个回归器。