随机森林可以很好地处理它，请参阅具有多个输出的随机森林是否可能/实用？或scikit learn 的文档。我猜GBM或任何基于树的方法都可以以类似的方式进行调整。

更一般地，当您运行任何最小化分数的学习算法时，您通常会致力于最小化$\sum_i(p_i-y_i)^2$这是一维的。但是您可以指定任何目标函数。如果您正在研究（二维）位置预测，$\sum_i(\hat{y}_i-y_i)^2+(\hat{x}_i-x_i)^2$将是一个很好的指标。

如果您有混合类型输出（分类和回归），那么指定目标函数可能需要您指定一个目标函数，该函数对某些目标的权重高于其他目标：您对连续响应应用哪种缩放？您将哪种损失应用于错误分类？

至于进一步的学术阅读，

SVM 结构化学习的维基百科

同时利用输出和任务结构进行多输出回归

多输出预测的地标选择方法 （处理高维因变量）

本文很好地描述了当前的方法、可用的工具包以及要测试的数据集。

我碰巧在处理一个需要多目标回归的商业问题，我发现Clus 工具包很好地融合了高性能和鲁棒性

• 文档非常好
• 该工具包有多种方法可用于多目标分类和回归
• 它还支持基于规则的归纳和聚类。
• 我使用的集成模型（Bagging、RandomForest）可以很容易地阅读和解释。

一些较新的方法（2012 年后）已作为 Mulan 工具包的扩展实现，这里是Github 链接。尽管这些方法（例如随机线性目标组合）报告的性能优于集成模型，但我发现该工具包不如 Clus 工具包成熟，因此没有使用它们。

贝叶斯处理这类问题：混合类型空间索引数据的贝叶斯非参数模型。多响应元素由各种正态分布的随机向量及其链接函数处理。因此完整的响应是法线向量、计数向量和伯努利向量的堆栈。