python - scikit-learn 的 DecisionTreeRegressor 是否进行真正的多输出回归？

Question

我遇到了一个需要我们使用多维 Y 的 ML 问题。现在我们正在这个输出的每个维度上训练独立的模型，它没有利用来自事实输出相关的附加信息.

我一直在读this了解更多关于已真正扩展以处理多维输出的少数 ML 算法。决策树就是其中之一。

当 fit(X,Y) 被赋予多维 Y 时，scikit-learn 是否使用“多目标回归树”，或者它是否为每个维度拟合一个单独的树？我花了一些时间查看 code但没弄明白。

Answer 1

经过更多挖掘后，给定点标有一维 Y 的树与标有多维标签的给定点之间的唯一区别在于它用于决定拆分的 Criterion 对象。 Criterion 可以处理多维标签，因此无论 Y 的维度如何，DecisionTreeRegressor 的拟合结果都将是单个回归树。

这意味着，是的，scikit-learn 确实使用了真正的多目标回归树，它可以利用相关输出产生积极影响。