GridSearchCV搭配XGBRanker使用传参与评分报错问题求助

报错原文翻译：

ValueError: 仅支持('multilabel-indicator', 'continuous-multioutput', 'multiclass-multioutput')格式，当前传入的是multiclass格式

三个核心写法错误直接导致问题：

• 评分器逻辑错误：直接用make_scorer封装默认ndcg_score不适配排序任务。sklearn内置ndcg实现默认接收多输出格式输入，和排序任务单值相关性标签格式不匹配，也没有按qid分组计算的逻辑。
• 交叉验证配置错误：cv参数传整数3时，GridSearchCV会调用普通K折切分，完全不会使用你定义的GroupKFold，分组交叉验证根本不生效。
• qid传参逻辑错误：自定义生成器加next()的写法只会传入第一折训练集的样本索引作为qid，和XGBRanker要求的「与输入样本等长、标记样本所属分组ID」的参数要求完全不符，后续交叉验证折的分组信息完全错乱。

import numpy as np
from sklearn.model_selection import GroupKFold, GridSearchCV
from sklearn.metrics import ndcg_score, make_scorer
from xgboost import XGBRanker

# --------------------------
# 前置准备：请提前替换为你自己的数据集
# 注意：所有样本必须提前按qid排序，保证同组样本连续排列
# 排序参考代码：
# sort_idx = np.argsort(qids_train)
# X_train = X_train[sort_idx]
# y_train = y_train[sort_idx]
# qids_train = qids_train[sort_idx]
# --------------------------

# 1. 初始化排序模型
my_model = XGBRanker(
    objective='rank:ndcg',
    random_state=42,
    n_jobs=-1
)

# 2. 自定义适配分组排序任务的NDCG评分器
def grouped_ndcg(y_true, y_pred, qids, topk=5):
    """按qid拆分样本，计算平均NDCG@topk"""
    ndcg_values = []
    for qid in np.unique(qids):
        mask = qids == qid
        group_true = y_true[mask]
        group_pred = y_pred[mask]
        # 跳过样本数不足2的组，无法计算排序指标
        if len(group_true) < 2:
            continue
        ndcg_values.append(ndcg_score([group_true], [group_pred], k=topk))
    return np.mean(ndcg_values)

# 封装评分器，自动匹配每折交叉验证对应的分组
def get_ndcg_scorer(full_qids, full_y):
    def scorer(y_true, y_pred):
        match_idx = np.where(np.isin(full_y, y_true))[0][:len(y_true)]
        fold_qids = full_qids[match_idx]
        return grouped_ndcg(y_true, y_pred, fold_qids)
    return make_scorer(scorer, response_method="predict")
ndcg_scorer = get_ndcg_scorer(qids_train, y_train)

# 3. 参数搜索空间
param_grid = {
    'learning_rate': [0.001, 0.01, 0.02],
    'n_estimators': [10, 50]
}

# 4. 初始化分组交叉验证器
splits = 3
gkf = GroupKFold(n_splits=splits)

# 5. 初始化网格搜索
grid = GridSearchCV(
    estimator=my_model,
    param_grid=param_grid,
    cv=gkf,
    scoring=ndcg_scorer,
    refit=False,
    verbose=1
)

# 6. 启动训练，直接传入全量qid即可，不需要自定义生成器
grid.fit(
    X_train,
    y_train,
    groups=qids_train,  # 传给GroupKFold做分组切分
    qid=qids_train  # 传给XGBRanker做排序分组
)

# 输出最优参数
print("最优参数：", grid.best_params_)
print("最优分数：", grid.best_score_)

• 数据集必须提前按qid排序，保证同一个查询组的样本连续排列，否则XGBRanker训练会直接报错
• cv参数必须传入GroupKFold实例，不能传整数折数，否则分组切分不生效
• 不需要自定义生成器逐折传qid，直接在fit方法传入全量qid即可，GridSearchCV会自动按切分索引提取对应子集的分组信息传给模型
• 如果不需要自定义NDCG计算逻辑，也可以直接使用XGBoost内置的排序评估指标，省去自定义评分器的步骤

内容的提问来源于stack exchange，提问作者sam