multioutputregressor是最直接的多输出回归封装方案，它将单输出回归器独立适配为多目标预测器，每个输出列单独训练子模型，要求y为二维数组且需显式处理维度与评估。
多输出回归用 MultiOutputRegressor 最直接
Scikit-learn 本身不提供原生的“多目标回归器”，但 MultiOutputRegressor 是标准且最稳妥的封装方案。它把任意单输出回归器（比如 RandomForestRegressor 或 Ridge）自动适配成能预测多个连续值的模型。
关键点在于：它对每个输出列独立训练一个子模型，不是联合建模——这意味着输出之间默认无相关性假设，适合大多数场景，也避免了过拟合风险。
- 必须传入一个已实例化的回归器，不能只传类名：
MultiOutputRegressor(RandomForestRegressor())✅，MultiOutputRegressor(RandomForestRegressor)❌ -
y必须是二维数组，即使只有一个样本也要是shape=(n_samples, n_targets)；若原始y是一维，需用y.reshape(-1, 1) - 预测结果形状严格匹配训练时的
y列数，不会自动降维
训练时 y 的 shape 错误会报 ValueError: Expected 2D array, got 1D array instead
这是最常见的报错，根源是输入的标签向量没按多输出要求组织。Scikit-learn 所有支持多输出的接口都强制要求 y 是二维的，哪怕你只想预测两个数值（比如房价和税费），也要写成 [[price1, tax1], [price2, tax2]]，而不是 [price1, price2] 或 [[price1], [price2]]。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 检查
y.shape：必须是(n_samples, n_outputs)，n_outputs > 1 - 常见修复：用
y = np.column_stack([y1, y2])合并多个一维目标数组 - 如果只有单个目标但误用了
MultiOutputRegressor，会静默训练出n_outputs=1的“伪多输出”模型，性能无提升还多一层封装开销
MultiOutputRegressor 和 RegressorChain 的核心区别在哪
两者都能处理多输出，但建模逻辑完全不同：MultiOutputRegressor 是并行独立训练，RegressorChain 是串行依赖预测——后者把前一个输出当作下一个模型的额外特征。
- 用
RegressorChain仅当你明确需要建模输出间的顺序依赖（例如：先预测温度，再用温度+原始特征预测能耗） -
RegressorChain的预测顺序由order参数控制，默认按列索引排序；改变顺序会影响结果，需验证稳定性 - 链式结构在推理时更慢（要逐个预测），且无法并行化；而
MultiOutputRegressor所有子模型可并行拟合和预测 - 二者都不支持内置的多输出损失函数（如多任务 loss），如需联合优化，得换 PyTorch/TensorFlow
预测后取单个输出列别用 [:, 0] 硬切，要用 predict() 的原生返回结构
MultiOutputRegressor.predict() 返回的是完整二维数组，每列对应一个目标变量。直接用 [:, 0] 取第一列没问题，但容易掩盖维度误用问题——尤其当模型被嵌套在 Pipeline 或 GridSearchCV 中时，中间步骤可能意外 reshape。
- 推荐显式命名输出列，例如用 pandas DataFrame 当
y输入，预测后用pd.DataFrame(pred, columns=y.columns)保持语义清晰 - 如果后续要单独评估某个输出，用
mean_squared_error(y_true[:, i], y_pred[:, i])比先切片再评估更安全 - 注意：
score()方法默认返回所有输出的 R² 均值，不是加权或联合指标；如需分项评估，必须手动循环计算
MultiOutputRegressor 就只是个起点，得考虑自定义损失或结构化模型。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！
