您基本上回答了您的问题：如果 y1, y2, y3 是独立的，那么使用单个模型是没有意义的。如果它们是相关的（例如，y1=1 意味着 y2 不是 2），那么单个模型有助于排除不存在的情况。

但是，如果 y1 是 x1 和 x2 的函数，y2 是 x3 和 x4 的函数，并且 x1、x2、x3 和 x4 是独立的，那么 y1 和 y2 也是独立的。

我会从看起来更简单、更合乎逻辑的东西开始。根据您对变量之间弱依赖性的描述，多个模型对我来说似乎更有希望。

虽然我相信 DT/RF 在单一模型中不会有任何挑战，但我更喜欢其他选择。

多种型号

优点-
1.简单且可解释的建模
2.每个数据计数的维度数量较少
3.维护和故障排除简单。每个新开发人员都不必浪费一些时间来弄清楚这一点。
4.如果它们是独立的并且仅与各自的 Y 相关。这可能与数据域有关。因此，对于未来的数据决策而言，保持分离更好
5.根据基础数据模式对不同数据集使用不同模型的自由
6.固有的松散耦合和低内聚

缺点
1.管理 3 个代码/生产实例