是否可以为每个输出使用具有不同超参数的 MultiOutputRegressor？
Is it possible to use a MultiOutputRegressor with different hyperparameters for each output?
我需要一个 scikit-learn 向量目标复合估计器，但我需要为每个目标定义不同的超参数。
我的第一直觉是定义一个 MultiOutputRegressor 的虚拟估计器，然后用所需的回归量覆盖 estimators_ 属性，但这不起作用，因为在构造时只定义了基本估计器；然后根据需要复制它。
我是否需要编写自己的元估计器class，或者是否有我没有想到的更好的解决方案？
这是 answered off-site by Dr. Lemaitre - no prepacked solution exists to define multiple different regressors into a single multi-output regressor, but a decent work-around is to use one of the -CV family of regressors such as ElasticNetCV 作为基础估算器。这将允许每个输出使用不同的超参数，假设可以在 fit.
的每个实例上适当地调整参数
我需要一个 scikit-learn 向量目标复合估计器，但我需要为每个目标定义不同的超参数。
我的第一直觉是定义一个 MultiOutputRegressor 的虚拟估计器，然后用所需的回归量覆盖 estimators_ 属性，但这不起作用，因为在构造时只定义了基本估计器；然后根据需要复制它。
我是否需要编写自己的元估计器class，或者是否有我没有想到的更好的解决方案？
这是 answered off-site by Dr. Lemaitre - no prepacked solution exists to define multiple different regressors into a single multi-output regressor, but a decent work-around is to use one of the -CV family of regressors such as ElasticNetCV 作为基础估算器。这将允许每个输出使用不同的超参数，假设可以在 fit.