使用GridSearchCV对OneClassSVM做穷尽网格搜索时报TypeError如何解决？

GridSearchCV在未指定评估指标时，会自动调用传入模型的score()方法计算交叉验证得分，以此筛选最优参数。

• 监督分类模型SVC内置了分类准确率计算的score()方法，因此可以直接运行
• OneClassSVM是无监督异常检测模型，scikit-learn官方实现中并未提供内置的score()方法，因此触发报错

你只需要给GridSearchCV显式传入scoring参数，指定适合异常检测任务的评估指标即可，有两种常用实现方案：

方案1：使用scikit-learn内置评估指标 #

如果你的标签格式符合常规异常检测规范（正常样本标签为1，异常样本标签为-1），可以直接使用内置的roc_auc、f1等指标，修改后的代码如下：

from sklearn import svm
from sklearn.model_selection import GridSearchCV

param_grid={'nu':[0.0001,0.001,0.01,0.1,1],'gamma':[0.0001,0.001,0.01,0.1,1],'kernel':['rbf','poly','linear']}
svc = svm.OneClassSVM()
# 显式指定scoring参数为ROC-AUC，也可替换为其他符合需求的内置指标
model = GridSearchCV(svc, param_grid, scoring='roc_auc')
model.fit(X_train, y_train)

方案2：自定义评估函数 #

如果内置指标不符合业务需求，可以用make_scorer封装自定义的得分计算逻辑，示例如下：

from sklearn.metrics import make_scorer
import numpy as np

# 自定义得分计算逻辑，可根据业务规则调整
def custom_anomaly_score(y_true, y_pred):
    # 示例：计算预测结果的准确率
    return np.mean(y_true == y_pred)

# 封装自定义指标，greater_is_better指定得分越高越好
scorer = make_scorer(custom_anomaly_score, greater_is_better=True)
model = GridSearchCV(svc, param_grid, scoring=scorer)
model.fit(X_train, y_train)

内容的提问来源于stack exchange，提问作者user3318590