回归机器学习任务使用GridSearchCV调优输出全为NaN问题求解

• 最直接的原因是构造DataFrame时传入的字典键名与指定的列名不匹配：你向scores列表中插入的字典key为model、best_score、best_params，但创建DataFrame时指定的columns为Model、Best Score、Best Paramters，大小写、拼写、命名格式完全不一致，pandas无法匹配到对应数据，就会自动填充为NaN。
• 潜在隐性问题：代码中存在未显式导入的依赖，你用到了LinearRegression、ShuffleSplit、pandas三个工具，但开头的import语句中没有对应的导入逻辑，你现在未报错大概率是在其他代码行已经完成了对应导入。
• 版本兼容隐患：若你使用的是scikit-learn 1.0及以上版本，LinearRegression的normalize参数已被废弃移除，DecisionTreeRegressor的criterion参数的mse取值也已替换为squared_error，不过你设置了error_score='raise'，若触发该类问题会直接抛出异常，你现在未报错说明当前使用的scikit-learn版本较低，适配旧参数。

1. 修正列名匹配规则，两种修改方式二选一即可：

# 方式1：修改返回时的columns参数，和字典key对应
return pd.DataFrame(scores, columns=['model', 'best_score', 'best_params'])

# 方式2：修改插入scores的字典key，和你原设定的列名对应
scores.append({
    'Model': algo_name,
    'Best Score': gs.best_score_,
    'Best Paramters': gs.best_params_
})

2. 补全所有依赖的导入语句，避免后续运行报错：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import ShuffleSplit

3. 若后续升级scikit-learn版本，同步调整参数适配新版本规则：

• 移除LinearRegression的normalize参数，改用StandardScaler在数据预处理阶段完成标准化
• 将DecisionTreeRegressor的criterion参数的mse取值替换为squared_error

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