MultiOutputRegressor通过为每个目标列独立训练一个单输出模型副本实现多输出预测，要求y为二维数组（n_samples, n_targets），不共享权重且完全并行；而RegressorChain则按指定顺序串行预测，将前序预测结果作为后续输入特征。
MultiOutputRegressor 怎么套进单输出模型里
它本身不干预测，只负责把单输出模型“包装”成能吃多列目标的版本。核心逻辑是：对每个目标列独立训练一个副本模型，预测时并行调用——不是魔改原模型，而是横向复制。
常见错误现象：MultiOutputRegressor 套了 LinearRegression 却报 ValueError: Expected 2D array, got 1D array instead，其实是传给它的 y 形状不对：必须是 (n_samples, n_targets)，不能是 (n_samples,) 或一维 list。
- 确保
y是二维：用y.reshape(-1, 1)强转单目标，或多目标直接用np.column_stack([y1, y2]) - 别用
MultiOutputRegressor包装已支持多输出的模型（如DecisionTreeRegressor），否则白套一层还拖慢速度 - 它不共享特征权重，各目标列完全独立拟合——想建模目标间相关性？得换
RegressorChain或自定义损失
和 RegressorChain 的关键区别在哪
MultiOutputRegressor 是“并行独立”，RegressorChain 是“串行依赖”：后一个目标的预测会把前序目标的预测值当额外特征输入。
使用场景差异明显：比如预测房屋的 price 和 tax，若 tax 明显依赖 price，RegressorChain 可能更准；但若两个目标毫无关联（如 price 和楼龄 age），强行链式反而引入噪声。
-
RegressorChain要指定order参数，顺序错了结果可能崩；MultiOutputRegressor完全不用管顺序 -
RegressorChain预测时必须按顺序算，不能并行；MultiOutputRegressor天然支持多线程（设n_jobs即可） - 交叉验证时，
MultiOutputRegressor的score返回标量（默认 R² 平均），而RegressorChain的score是按链式逻辑算的综合分，不可直接比
fit 和 predict 时 shape 不匹配的典型坑
最常栽在训练集和测试集 y 列数不一致：比如训练用了 3 列目标，预测时只传了 2 列，会直接抛 AttributeError: 'MultiOutputRegressor' object has no attribute 'estimators_'——其实是内部初始化失败，错误信息很误导。
另一个隐形坑：用 pipeline 时，如果前面的 ColumnTransformer 没配好，导致 X 列数在 fit/predict 阶段不一致，MultiOutputRegressor 会在 predict 时报 ValueError: X has 5 features, but MultiOutputRegressor is expecting 7 features。
- 训练前务必检查：
y_train.shape[1] == y_test.shape[1]，且两者都 ≥ 2 - 用
pipeline时，在fit后立刻跑pipeline.named_steps['regressor'].estimators_[0].feature_names_in_看实际输入特征名，比猜靠谱 - 别在
fit后手动改estimators_列表——它被设为只读，改了也不生效
要不要用 n_jobs 加速？影响有多大
开 n_jobs > 1 确实能加速，但收益取决于目标列数和单模型训练耗时。列数少于 3 时，多进程调度开销可能反超收益；列数 ≥ 5 且单模型本身较重（如带正则的 Ridge），提速才明显。
兼容性要注意：Windows 下用 joblib 多进程，必须把训练代码包在 if __name__ == '__main__': 里，否则卡死或报 RuntimeError: An attempt has been made to start a new process。
- Linux/macOS 可直接设
n_jobs= -1；Windows 建议先试n_jobs=2，再看是否值得拉满 -
n_jobs对predict也有加速效果，但前提是底层模型支持（如RandomForestRegressor支持，SVR不支持） - 内存占用会随
n_jobs线性增长——每个子进程都拷一份模型参数，目标列多时容易 OOM
多输出不是自动变聪明，本质还是多个单任务拼起来。最容易被忽略的是：它不解决目标间的统计依赖，也不处理缺失目标列的训练样本——遇到部分目标为空的数据，得自己先清洗或改用支持缺失的模型。
