请详细解释一下这段代码，每一句给上相应的详细注解：def custom_average_precision(y_true, y_pred): score = average_precision_score(y_true, y_pred) return 'average_precision', score, True class LGBMMultiOutputRegressor(MultiOutputRegressor): def fit(self, X, y, eval_set=None, **fit_params): self.estimators_ = [clone(self.estimator) for _ in range(y.shape[1])] for i, estimator in enumerate(self.estimators_): if eval_set: fit_params['eval_set'] = [(eval_set[0], eval_set[1][:, i])] estimator.fit(X, y[:, i], **fit_params) return self

这段代码定义了一个名为`custom_average_precision`的自定义函数和一个名为`LGBMMultiOutputRegressor`的自定义类，并重写了`MultiOutputRegressor`类的`fit`方法。

`custom_average_precision`函数用于计算平均精度（average_precision_score），输入参数为真实标签`y_true`和预测标签`y_pred`。函数首先调用`average_precision_score`函数计算平均精度得分，然后返回一个元组，包括`'average_precision'`字符串表示得分类型、得分值和一个布尔值`True`，表示该得分是否越大越好。

`LGBMMultiOutputRegressor`类是继承自`MultiOutputRegressor`的自定义类，用于实现基于LightGBM的多输出回归模型。在该类中，重写了`fit`方法，该方法用于训练模型。该方法的输入参数包括训练数据集`X`，真实标签`y`和评估数据集`eval_set`（可选），以及其他参数`**fit_params`。

在`fit`方法中，首先通过`clone`函数复制`estimator`属性指定的基模型，并将复制的模型保存到`estimators_`列表中。然后，对于每个输出变量，都训练一个对应的模型。如果指定了评估数据集`eval_set`，则将其转换为一个长度为1的元组，包含训练数据集和对应输出变量的评估数据集。最后，返回`self`对象。