Python scikit学习中的多输出分离器和多输出分类器是否也将目标用作输入？

我开始在sci工具包中学习我试图用随机森林估计的多变量目标

在我遇到这个MultiOutputRegressor之前，我确实开始手动实现，并尝试旋转单输出回归器的输出，以便在任何给定的时间使用单个目标-以及其他目标变量作为输入-但它的计算成本越来越高

我已经搜索并查看了一些代码，但是我很难确定目标输出（y）是否用作输入特性（X）。具体而言：

• 当预测y_1时，y_2是否。。。是否用作输入功能
• 当y_x被预测时，y_1是不是。。。是否将y_n（不包括y_x）用作输入特征
• 当你被预测时，你是不是。。。y_n-1用作输入特征？ （如果我说得太详细，请道歉）

“论文”解释了我希望实现的目标

---

一些答案暗示了一个事实，即MultiOutputRegressor算法可能会查找目标值之间的相关性，但我希望它们实际上会被旋转为我的应用程序中算法的输入（或有效输入）。

查看源代码函数，在，它似乎将响应分开，并分别进行拟合。另外，因为它可以接受很多回归器/分类器。。我无法想象将输出之间的这种关系估计为包含这么多模型

如果您正在寻找考虑响应变量之间关系的东西，您可以查看以下内容

下面是一个使用线性回归的示例，以表明在多次或迭代单个输出下，系数是相似的：

from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import LinearRegression

np.random.seed(111)

mean = [0, 2]
cov = [[1, 0.3], [0.3, 3]]  

y = np.random.multivariate_normal(mean, cov, 100)
X = np.random.normal(0,1,(100,2))

regr_multi = MultiOutputRegressor(LinearRegression())
regr_multi.fit(X, y)

regr_list = [LinearRegression().fit(X,y[:,i]) for i in range(y.shape[1])]

print(regr_multi.estimators_[0].coef_ , regr_list[0].coef_)

[-0.04355358 -0.03379101] [-0.04355358 -0.03379101]

print(regr_multi.estimators_[1].coef_ , regr_list[1].coef_)

[ 0.2921806 -0.1372799] [ 0.2921806 -0.1372799]

---

如果我理解正确的话，你在文章中描述的方法似乎与你链接文章中的方法都不一样

本文中的第一种方法，堆叠单目标，可能可以通过

StackingRegressionor

实现，尽管这需要一些修改，以便基础模型只向前传递其指定输出的预测

本文中的第二种方法，回归器链的集成，对于类来说应该非常简单，使用

cv

set，然后在多个

顺序

s上集成

---

您所描述的方法似乎无法作为sklearn内置程序使用，尽管只需循环并适应单个模型应该不会太难？

为什么会出现这种情况？