Я работаю над проектом, который предполагает прогнозирование нескольких непрерывных выходных данных, и я использую регрессор случайных лесов от sklearn для достижения sh этого. Я чувствую, что у меня довольно хорошее понимание основной теории, лежащей в основе деревьев решений и случайных лесов для задач регрессии с одним выходом, но меня немного смущает вопрос о том, как регрессор случайных лесов может беспрепятственно экстраполировать на несколько выходов. Я прочитал несколько статей, в которых говорится о добавлении ковариационной матрицы к функции потерь или использовании расстояния Махаланобиса. Кто-нибудь может объяснить теорию, стоящую за многоцелевой регрессией в sklearn?