Python scikit学习具有多个连续目标的回归

我想在一个数据集上执行回归，其中输入有多个特征，输出有多个连续目标

---

我一直在浏览sklearn文档，但我发现的唯一多目标示例要么是1）一组离散的目标标签，要么是2）使用启发式算法（如KNN），而不是基于优化的算法（如回归）。添加正则化也很好，但我找不到一种方法，即使是简单的最小二乘法。这是一个非常简单、平滑的优化问题，如果它还没有在某个地方实现，我会感到震惊。如果有人能给我指出正确的方向，我将不胜感激

你可以在这里找到你想要的东西

https://machinelearningmastery.com/multi-output-regression-models-with-python/

但是，如果您有足够的数据（输出层，无需任何激活），那么最好尝试使用Keras

from keras.layers import Dense, Input
from keras.models import Model
from keras.regularizers import l2

num_inputs = 10
num_outputs = 4

inp = Input((num_inputs,))
out = Dense(num_outputs, kernel_regularizer=l2(0.01))(inp)

model = Model(inp, out)
model.compile(optimizer='sgd', loss='mse', metrics=['acc','mse'])

model.summary()

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_9 (InputLayer)         (None, 10)                0         
_________________________________________________________________
dense_7 (Dense)              (None, 4)                 44        
=================================================================
Total params: 44
Trainable params: 44
Non-trainable params: 0
_________________________________________________________________