浏览关于最喜欢的销售预测的著名 kaggle 比赛的笔记本。
一个难题是，在训练和测试数据拆分后，似乎y_train有两列包含 unit_sales 和 transactions，这两个列都在预测，并最终与基本事实进行比较。
但是为什么有人会将这两列传递给一个model.fit()调用，而不是开发两个模型来预测这些列呢？或者这就是sklearn内部无论如何，即一次fit调用训练两个模型？如果不是，对我来说似乎只有一个模型会给出次优结果，因为模型可能会在每个数据点的两个不同标签之间混淆，并且不知道在其权重更新中要瞄准哪个值。
如果我对场景有任何误解，请纠正我。
这就是 sklearn 在内部所做的，即用一个 fit 调用训练两个模型？
这取决于型号。笔记本开始的（惩罚）线性回归模型基本上是这样做的：在多元线性回归中，每个目标的系数是分开的，因此基本上你是在估计单个线性模型。在这些情况下，您的其余问题不适用。
然而，随机森林模型做了一些更有趣的事情。树选择分裂以同时减少所有目标的杂质。请参阅sklearn 的用户指南。该模型不会在两个不同的标签之间“混淆”：它同时对它们进行估计。然而，这两个目标的规模可能很重要，具体取决于实施细节；如果一个目标的规模比另一个目标大，则它的 MSE 会更大，因此树将倾向于以牺牲另一个目标为代价来减少其误差的拆分。请参阅此示例笔记本，它显示了 sklearn 实现中的效果。