使用GridSearchCV调优word2vec模型缺y_true参数报错如何解决

你的判断完全正确。

报错原因 #

你使用的accuracy_score是有监督分类任务的评价指标，计算时必须传入真实标签y_true和预测结果y_pred。而你当前用GridSearchCV训练无监督的Word2Vec模型，未传入标注数据y，scorer调用时缺少必要参数，因此触发该报错。

解决方案 #

Word2Vec作为无监督词向量预训练模型，不存在脱离使用场景的绝对最优参数，调参需要结合你的业务目标选择对应方案：

方案1：绑定下游任务调参（最常用） #

如果训练Word2Vec是为了给后续分类、聚类等任务提供特征，直接把Word2Vec和下游模型串成Pipeline，用下游任务的标注数据调参即可，示例代码如下：

from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from gensim.sklearn_api import W2VTransformer
from sklearn.metrics import accuracy_score, make_scorer

# 定义流水线：先做词向量转换，再执行下游分类任务
pipe = Pipeline([
    ('w2v', W2VTransformer()),
    ('clf', LogisticRegression())
])

# 参数网格可同时包含Word2Vec和下游模型的参数
params_grid = {
    'w2v__size': [100,200,300],
    'w2v__window':[10,15,20],
    'w2v__min_count': [1,2,3],
    'w2v__sg':[0,1],
    'clf__C': [1, 10]
}

# 传入标注好的文本数据X和标签y即可正常运行
s_model = GridSearchCV(pipe, params_grid, cv=3, scoring=make_scorer(accuracy_score))
s_model.fit(X, y)

print(s_model.best_params_)

方案2：自定义无监督指标独立调参 #

如果没有下游任务，只需要评估词向量本身的质量，可以选择词相似度相关性、词类比准确率等无监督指标作为评价标准：

• 可以自己编写循环遍历所有参数组合，训练每个模型后计算自定义指标得分，保留得分最高的参数即可。
• 也可以用Optuna等支持自定义目标函数的调参库完成，相比网格搜索效率更高，不需要传入标注标签，仅需在目标函数中返回对应参数下的评估得分即可。

内容的提问来源于stack exchange，提问作者codex