在之前的文章中，我们研究了许多使用 多输出回归分析的方法。
在本教程中，我们将学习如何使用拟合和预测多输出回归数据。
对于给定的 x 输入数据，多输出数据包含多个目标标签。本教程涵盖：
- 准备数据
- 定义模型
- 预测和可视化结果
我们将从加载本教程所需的库开始。
准备数据
首先，我们将为本教程创建一个多输出数据集。它是随机生成的数据，具有以下一些规则。该数据集中有三个输入和两个输出。我们将绘制生成的数据以直观地检查它。
f = plt.figure()
f.add_subplot(1,2,1)
plt.title("Xs 输入数据")
plt.plot(X)
接下来，我们将数据集拆分为训练和测试部分并检查数据形状。
print("xtrain:", xtrain.shape, "ytrian:", ytrain.shape)
定义模型
我们将定义模型。作为估计，我们将使用默认参数实现。可以通过 print 命令查看模型的参数。
model = MutRer(es=gbr) print(model )
现在，我们可以用训练数据拟合模型并检查训练结果。
fit(xtrain, ytrain) score(xtrain, ytrain)
预测和可视化结果
我们将使用经过训练的模型预测测试数据，并检查 y1 和 y2 输出的 MSE 率。
随时关注您喜欢的主题
predict
最后，我们将在图中可视化结果并直观地检查它们。
xax = range(len) plt.plot plt.legend
在本教程中，我们简要学习了如何在 Python 中训练了多输出数据集和预测的测试数据。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
【梯度提升专题】XGBoost、Adaboost、CatBoost预测合集：抗乳腺癌药物优化、信贷风控、比特币应用|附数据代码
Python用CNN – LSTM、ARIMA、Prophet股票价格预测的研究与分析|附数据代码
