Scikit-Learn also has a general class, MultiOutputRegressor, which can be used to use a single-output regression model and fit one regressor separately to each target.
Your code would then look something like this (using k-NN as example):
from sklearn.neighbors import KNeighborsRegressor from sklearn.multioutput import MultiOutputRegressor X = np.random.random((10,3)) y = np.random.random((10,2)) X2 = np.random.random((7,3)) knn = KNeighborsRegressor() regr = MultiOutputRegressor(knn) regr.fit(X,y) regr.predict(X2)
来自：
https://stats.stackexchange.com/questions/153853/regression-with-scikit-learn-with-multiple-outputs-svr-or-gbm-possible
我的建议是使用sklearn.multioutput.MultiOutputRegressor作为xgb.XGBRegressor的包装。 MultiOutputRegressor为每个目标培训一个回归者，只需要回归者实施fit和predict，这是xgboost恰好支持的。
# get some noised linear data
X = np.random.random((1000, 10))
a = np.random.random((10, 3))
y = np.dot(X, a) + np.random.normal(0, 1e-3, (1000, 3))
# fitting
multioutputregressor = MultiOutputRegressor(xgb.XGBRegressor(objective='reg:linear')).fit(X, y)
# predicting
print np.mean((multioutputregressor.predict(X) - y)**2, axis=0) # 0.004, 0.003, 0.005 这可能是使用xgboost因为你不会需要改变你的代码的任何其他部分（如果原先使用sklearn API）倒退多维目标的最简单的方法。
来自：
https://stackoverrun.com/cn/q/10892468
1.12.5. 多输出回归
多输出回归支持 MultiOutputRegressor 可以被添加到任何回归器中。这个策略包括对每个目标拟合一个回归器。因为每一个目标可以被一个回归器精确地表示，通过检查对应的回归器，可以获取关于目标的信息。 因为 MultiOutputRegressor 对于每一个目标可以训练出一个回归器，所以它无法利用目标之间的相关度信息。
sklearn 中文文档 ： http://sklearn.apachecn.org/cn/stable/modules/multiclass.html#id14
sklearn.multioutput.MultiOutputRegressor
官方文档：http://scikit-learn.org/stable/modules/generated/sklearn.multioutput.MultiOutputRegressor.html
博客地址：https://blog.csdn.net/luanpeng825485697/article/details/79858186