sklearn 0.22.1中GridSearchCV无cv_results_属性，绘图报错求助

嘿，这个问题我之前也碰到过，核心原因很简单——你没有执行网格搜索的拟合步骤！

问题分析 #

1. cv_results_属性只有在调用GridSearchCV.fit(X, y)完成网格搜索后才会生成，你现在只定义了GridSearchCV对象，但没让它跑起来，自然找不到这个属性。
2. 至于grid_scores_，它在scikit-learn 0.20版本就被弃用了，0.22.1已经彻底移除，所以用不了是正常的。

修正后的完整代码 #

我帮你补全了缺失的导入和关键的fit步骤，还修正了一处绘图的小问题：

import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import GridSearchCV
import xgboost as xgb  # 确保你初始化了xgb模型，比如xgb = xgb.XGBRegressor()

# 替换成你的训练特征X和目标变量y
# X = ... 
# y = ...

trees_grid = {"n_estimators":[100,150,200,250,300,350,400,450]}
grid_search = GridSearchCV(estimator=xgb, n_jobs=1, param_grid=trees_grid, 
                           scoring="neg_mean_absolute_error", cv=10, verbose=1, 
                           return_train_score=True)

# 关键步骤：执行网格搜索拟合
grid_search.fit(X, y)

# 现在可以正常获取cv_results_了
results = pd.DataFrame(grid_search.cv_results_)

plt.figure(figsize=(8,8))  # 替换原代码里的figsize(8,8)，这才是正确的调用方式
plt.style.use("ggplot")
plt.plot(results["param_n_estimators"], -1*results["mean_test_score"], label="testing error")
plt.plot(results["param_n_estimators"], -1*results["mean_train_score"], label="training error")
plt.legend()
plt.ylabel("mean absolute error", size=20)
plt.xlabel("number of trees", size=20)
plt.show()

额外注意点 #

• 确保你已经正确初始化了XGBoost模型（比如xgb = xgb.XGBRegressor()），不然estimator=xgb会报错。
• 一定要替换代码里的X和y为你的真实训练数据，不然fit步骤无法执行。

内容的提问来源于stack exchange，提问作者Senior