使用EvalML的AutoMLSearch时出现全管道np.nan得分报错求解决

• 检查数据集标签分布
  二分类任务里，要是标签严重失衡（比如某一类占比99%以上），或者所有样本标签完全一致，LogLoss计算直接会返回NaN。用df['target'].value_counts()查看标签分布，失衡严重的话，要么补少数类样本，要么换用对失衡更鲁棒的指标（比如F1、AUC），或者初始化AutoMLSearch时设objective='F1'。

• 验证数据集特征质量

  • 查缺失值：用df.isnull().sum()统计各特征缺失情况，缺失占比过高的直接删，或者用SimpleImputer提前填充（注意测试集填充逻辑要和训练集一致）。
  • 排查异常值：数值特征里有极端值（比如无穷大、远超合理范围的数）会导致模型训练失败，进而得分NaN。用df.describe()看数值特征分位数，对异常值做截断或删除。
  • 确认特征类型：别把文本特征误标成数值型，也别让分类特征的类别数量太多（比如超过1000个唯一值），不然管道预处理会出错。用df.dtypes检查特征类型，分类特征要做编码（低基数用OneHotEncoder，高基数用TargetEncoder）。

• 调整AutoMLSearch参数

  • 关闭自动特征工程：自动生成的衍生特征可能引入无效值，初始化时设feature_engineer=False，先验证基础管道能不能正常跑。
  • 限制管道类型：只留简单模型管道（比如逻辑回归），设allowed_model_families=['linear_model']，排查是不是复杂模型导致的计算问题。
  • 调整交叉验证策略：默认CV折数或分层逻辑有问题的话，手动指定cv=3（减少折数）或者stratify=True（分类任务强制分层抽样）。

• 手动调试单个管道
  从EvalML可用管道里挑个最简单的（比如LogisticRegressionBinaryPipeline），手动训练计算LogLoss，定位具体出错环节：

  from evalml.pipelines import LogisticRegressionBinaryPipeline
  from evalml.objectives import LogLossBinary
  
  pipeline = LogisticRegressionBinaryPipeline({})
  pipeline.fit(X_train, y_train)
  predictions = pipeline.predict_proba(X_val)
  score = LogLossBinary().score(predictions, y_val)
  print(score)
  

  要是这里的score也是NaN，说明问题出在模型预测或指标计算上，进一步查predictions有没有0或1的概率值（LogLoss对0/1概率取对数会出无穷大，进而变成NaN），可以给预测概率加个极小值（比如predictions = np.clip(predictions, 1e-10, 1-1e-10)）再算得分。

内容的提问来源于stack exchange，提问作者Rini