Scikit learn 用sklearn回归矩阵型输出

我想计算一个适合y=f（X）的回归函数f（），其中y具有形状

（n_样本，n_属性，n_输出）

[即，n_输出不同属性的组件/标签]，而不是传统的形状

（n_样本，n_输出）

我可以处理后一种情况。它能处理前者吗

显然，我可以堆叠三维列，这样y就有了shape

n_样本，n_attribs x n_输出

，但为了一致性，我希望保留原始形状

仍然可以使用sklearn执行回归吗？我是否应该研究其他软件包，如Tensorflow/keras

谢谢，

---

E CM

如果您查看帮助页面：

该策略包括为每个目标装配一个回归器。这是一个 扩展本机不支持的回归函数的简单策略 多目标回归

该函数为目标的每一列拟合一个单独的回归器，希望这就是您所需要的，因为根据您的描述，“计算一个适合y=f（X）的回归器f（）”，不清楚您想要使用什么回归

如果有一个增加的维度，你会受到这个函数的限制，如果你不堆叠它，我猜你会做和你的第三维度一样多的回归，例如：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import Ridge

X = np.random.normal(0,1,(100,10))
y = np.random.normal(0,1,(100,2,2))

fits = [MultiOutputRegressor(Ridge(random_state=123)).fit(X, y[:,:,i]) for i in range(y.shape[2])]

fits[0].estimators_[0].coef_

您可以通过评估列表中的每个项目来获得每列的系数等，例如：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import Ridge

X = np.random.normal(0,1,(100,10))
y = np.random.normal(0,1,(100,2,2))

fits = [MultiOutputRegressor(Ridge(random_state=123)).fit(X, y[:,:,i]) for i in range(y.shape[2])]

fits[0].estimators_[0].coef_

---

如果您查看帮助页面：

该策略包括为每个目标装配一个回归器。这是一个 扩展本机不支持的回归函数的简单策略 多目标回归

该函数为目标的每一列拟合一个单独的回归器，希望这就是您所需要的，因为根据您的描述，“计算一个适合y=f（X）的回归器f（）”，不清楚您想要使用什么回归

如果有一个增加的维度，你会受到这个函数的限制，如果你不堆叠它，我猜你会做和你的第三维度一样多的回归，例如：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import Ridge

X = np.random.normal(0,1,(100,10))
y = np.random.normal(0,1,(100,2,2))

fits = [MultiOutputRegressor(Ridge(random_state=123)).fit(X, y[:,:,i]) for i in range(y.shape[2])]

fits[0].estimators_[0].coef_

您可以通过评估列表中的每个项目来获得每列的系数等，例如：

import numpy as np
from sklearn.multioutput import MultiOutputRegressor
from sklearn.linear_model import Ridge

X = np.random.normal(0,1,(100,10))
y = np.random.normal(0,1,(100,2,2))

fits = [MultiOutputRegressor(Ridge(random_state=123)).fit(X, y[:,:,i]) for i in range(y.shape[2])]

fits[0].estimators_[0].coef_

---

你好@StupidWolf，谢谢你花时间回答我的问题。我已经编辑了我的帖子，希望能让它更清晰。我感兴趣的是

y=np.random.normal（0,1，（100,2,2））

.yes。。我现在看到了。如果你保持身材，那么你最终得到的是一个多输出的列表谢谢！在SKI中没有内置的解决方案来学习处理这种情况，对吗？如果我想在sklearn.pipeline.pipeline中使用它，那么我需要构建一个自定义类，在y的第三轴上执行for循环。同意吗？是的。我可以这么说。或者您运行您的管道n timesHi@StupidWolf，感谢您花时间回答我的问题。我已经编辑了我的帖子，希望能让它更清晰。我感兴趣的是

y=np.random.normal（0,1，（100,2,2））

.yes。。我现在看到了。如果你保持身材，那么你最终得到的是一个多输出的列表谢谢！在SKI中没有内置的解决方案来学习处理这种情况，对吗？如果我想在sklearn.pipeline.pipeline中使用它，那么我需要构建一个自定义类，在y的第三轴上执行for循环。同意吗？是的。我可以这么说。或者运行管道n次