python实现多维回归，输入m维特征向量，输出n维特征向量

可以使用Python中的多维线性回归模型来实现多维回归，例如使用numpy和sklearn库来实现。

下面是一个示例代码，可以实现输入m维特征向量，输出n维特征向量的多维回归：

import numpy as np
from sklearn.linear_model import LinearRegression

# 定义输入特征向量X，输出特征向量y
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
y = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

# 创建线性回归模型，并进行拟合
model = LinearRegression().fit(X, y)

# 进行预测
y_pred = model.predict(X)

# 输出模型参数
print("模型参数：")
print("系数：", model.coef_)
print("截距：", model.intercept_)

# 输出预测结果
print("预测结果：")
print(y_pred)

在代码中，我们使用了numpy库来定义输入特征向量X和输出特征向量y，然后使用sklearn库中的LinearRegression模型进行拟合和预测。最后输出了模型参数和预测结果。

需要注意的是，这里的特征向量都是二维数组，其中X的shape为(m, n)，表示m个样本，每个样本有n个特征；y的shape为(m, p)，表示m个样本，每个样本有p个输出特征。在实际应用中，我们可以根据具体的数据情况调整特征向量的形状。