能，multioutputregressor将单输出模型封装为多输出接口，对每个目标列独立训练模型，不建模目标间相关性；y必须为二维数组，shape为(n_samples, n_targets)，且需预处理缺失值。
MultiOutputRegressor 能直接套用单输出模型吗？
能，但要注意它只是把单输出模型“包装”成多输出接口，并不改变底层拟合逻辑。它对每个目标列单独训练一个独立模型，本质是多个单输出回归的并行封装。
常见错误是误以为 MultiOutputRegressor 会自动建模目标变量间的相关性——它不会。比如预测房屋的 price 和 tax，两个输出完全独立拟合，即使现实中二者强相关，这个结构也捕捉不到。
- 适用场景：目标变量间弱相关，或你明确只需要“分别预测”
- 不适用场景：目标间存在强依赖（如时间序列多步预测需考虑时序约束）
- 底层模型必须支持
fit(X, y)和predict(X)，且y是二维数组（n_samples × n_targets）
怎么传入多目标 y？形状和类型有啥要求？
y 必须是二维 numpy.ndarray 或 pandas.DataFrame，形状为 (n_samples, n_targets)。哪怕只有一个目标列，也不能传一维数组，否则会报 ValueError: Expected 2D array, got 1D array instead。
常见踩坑点：
- 用
df['col1', 'col2']切片返回的是Series（一维），应改用df[['col1', 'col2']]（DataFrame） - 从
sklearn.datasets.make_regression(n_targets=2)生成的数据默认符合要求，但自己构造时容易漏掉外层括号 - 如果目标列含缺失值，
MultiOutputRegressor不做处理，会直接抛ValueError，需提前用SimpleImputer或删行
换模型时要不要重写整个 pipeline？
不用。只要新模型支持标准 fit/predict 接口，替换 MultiOutputRegressor 的 estimator 参数即可，其余代码（如 fit、predict、score）完全不变。
示例：
from sklearn.multioutput import MultiOutputRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.linear_model import LinearRegression <h1>换模型只需改这一行</h1><p>multi_reg = MultiOutputRegressor(RandomForestRegressor(n_estimators=50))</p><h1>想切回线性模型？只改这里：</h1><h1>multi_reg = MultiOutputRegressor(LinearRegression())</h1>
注意：score() 返回的是所有目标列 R² 的平均值，不能直接反映单个目标表现；若需分目标评估，得手动调 predict 后用 sklearn.metrics.r2_score 分别算。
预测结果 shape 不对？检查是否用了 predict_proba
MultiOutputRegressor 只支持回归，没有 predict_proba 方法。如果误调用，会报 AttributeError: 'MultiOutputRegressor' object has no attribute 'predict_proba'。
另一个常见混淆点是输出 shape：调用 predict(X) 返回的是 (n_samples, n_targets)，不是 (n_samples,)。如果后续代码假设输出是一维，就会出错。
- 调试时先 print
pred.shape和pred[:2]看一眼 - 如果下游需要单列，用
pred[:, 0]显式取列，别依赖索引顺序隐式推断 - 保存预测结果时，建议用
pandas.DataFrame(pred, columns=['y1', 'y2'])带列名，避免后续读取歧义
多输出本身不复杂，但容易在数据形状、评估方式和目标相关性假设上栽跟头——尤其当业务上目标变量其实有关联，却用独立建模时，误差可能系统性偏高。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
