我遇到了一个需要我们使用多维Y的ML问题 . 现在我们在这个输出的每个维度上训练独立模型，这不利用来自事实输出的附加信息是相关的 .
我一直在阅读this，以了解更多关于已经真正扩展以处理多维输出的少数ML算法 . 决策树就是其中之一 .
scikit-learn是否在事件拟合（X，Y）中使用"Multi-target regression trees"给出了多维Y，或者它是否适合每个维度的单独树？我花了一些时间看着code，但没弄明白 .
在进行更多挖掘之后，给定用单维Y标记的点与具有多维标签的给定点的树之间的唯一区别在于它用于决定分割的Criterion对象 . Criterion可以处理多维标签，因此无论Y的维度如何，拟合DecisionTreeRegressor的结果都将是单个回归树 .
这意味着，是的，scikit-learn确实使用真正的多目标回归树，这可以利用相关输出来产生积极效果 .
1 回答
在进行更多挖掘之后，给定用单维Y标记的点与具有多维标签的给定点的树之间的唯一区别在于它用于决定分割的Criterion对象 . Criterion可以处理多维标签，因此无论Y的维度如何，拟合DecisionTreeRegressor的结果都将是单个回归树 .
这意味着，是的，scikit-learn确实使用真正的多目标回归树，这可以利用相关输出来产生积极效果 .