sklearn Pipeline预处理步骤导致模型评分全为NaN如何排查

核心报错原因 #

你评分全为NaN的核心原因是分类特征预处理流程存在错误，Cross Validate子进程运行失败但未抛出显式报错，具体问题点如下：

• 错误使用LabelEncoder处理输入特征：LabelEncoder是专门为标签y设计的转换器，仅接受1维数组作为输入。而ColumnTransformer传给分类转换器的特征永远是2维数组（即使是单列分类特征，维度也为(n_samples, 1)），直接触发维度不匹配报错，导致整个pipeline运行失败，评分返回NaN。你开启了n_jobs=-1多进程运行，子进程的报错不会同步到主进程，所以你只会看到拟合耗时，看不到具体错误。
• （代码笔误）循环内pipeline的模型变量未正确赋值：你循环里写的是pipeline = Pipeline([ ('prep', preprocessor),('model', model)])，但你没有定义model变量，应该替换为models[i]。如果去掉预处理时你是直接传入模型，大概率是贴代码时的笔误，也会导致运行失败。

修复方案 #

1. 替换分类特征预处理流程：直接去掉LabelEncoder，只用OneHotEncoder即可，新版scikit-learn的OneHotEncoder原生支持字符串、整数类型的分类特征输入，无需提前编码。如果你的分类特征列存在缺失值，可以同步添加缺失值填充步骤：

categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')), # 分类特征用众数填充缺失值，无缺失可删除该行
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

2. 修正循环内的模型引用：

pipeline = Pipeline([ ('prep', preprocessor),('model', models[i])])

3. 调试时临时关闭多进程：修改n_jobs=1运行，可直接看到完整报错信息，方便定位其他潜在问题。
4. 额外优化：负对数损失的评分键是neg_log_loss，你打印时取平均值的话结果会是负数，如果需要正常的log_loss值，可以取-mean(log_loss)输出。

内容的提问来源于stack exchange，提问作者yogz123