假设您有许多输入特征，例如：

• x1 - 温度
• x2 - 星期几
• x3 - 降雨量
• ...

您正在尝试预测多个输出目标 - 使用神经网络，例如：

• y1：冰淇淋消费
• y2：防晒霜销量
• y3：雨伞销售

现在，您可以为每个目标变量建立一个回归模型，例如：

• 模型 1：x1、x2、x3、...、xn -> y1
• 模型 2：x1、x2、x3、..、xn -> y2

但是，如果相似的特征对每个模型都有用，它可以节省资源来构建单个模型来同时预测所有输出：

• 模型：x1, x2, x3, ..., xn -> y1, y2, ...., yn

我的问题（两部分）如下：

1. 这样做有什么坏处？有没有关于这方面的文献？
2. 构建具有相关目标变量的多输出模型是否更有意义？例如冰淇淋消费和防晒霜销售

我的经验是在以下方面进行权衡：每个目标变量的错误/准确性和所需资源（例如培训时间、维护多个模型等）。随着您添加更多目标输出变量，每个目标（例如在验证集上）的误差会增加，但模型数量、训练时间等会减少。

任何见解将不胜感激。