使用 scikit-learn 进行多目标回归

Question

我正在使用 python 语言和 scikit-learn 库解决经典回归问题。这很简单：

        ml_model = GradientBoostingRegressor()
        ml_params = {}
        ml_model.fit(X_train, y_train)

其中y_train是一维类数组对象

现在我想扩展任务的功能，以获得不是单个目标值，而是一组目标值。训练样本集X_train将保持不变。该问题的直观解决方案是训练多个模型，其中X_train所有模型都是相同的，但是y_train每个模型都是特定的。这绝对是一个有效的解决方案，但在我看来，效率低下。

在寻找替代方案时，我遇到了多目标回归等概念。据我了解，scikit-learn 中并未实现此类功能。如何有效解决python中的多目标回归问题？谢谢）

Answer 1

这取决于您解决的问题、您拥有的训练数据以及您选择寻找解决方案的算法。在不了解所有细节的情况下，很难提出任何建议。您可以尝试随机森林作为起点。这是一种非常强大且稳健的算法，在数据不多的情况下可以抵抗过度拟合，并且还可以用于多目标回归。这是一个工作示例：

from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor


X, y = make_regression(n_targets=2)
print('Feature vector:', X.shape)
print('Target vector:', y.shape)

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.8)

print('Build and fit a regressor model...')

model = RandomForestRegressor()
model.fit(X_train, y_train)
score = model.score(X_test, y_test)

print('Done. Score', score)

输出：

Feature vector: (100, 100)
Target vector: (100, 2)
Build and fit a regressor model...
Done. Score 0.4405974071273537

该算法本身支持多目标回归。对于那些不这样做的人，您可以使用多输出回归器，它只适合每个目标一个回归器。