如何解决GridSearchCV运行Scikit-Survival模型时出现FitFailedWarning报错

1. numpy.linalg.LinAlgError: Matrix is singular 错误修复 #

错误原因 #

• 交叉验证过程中，每折训练集经过OneHotEncoder编码后，会出现部分独热列全为0的情况：分类特征的部分取值仅存在于当前折的测试集，训练集无对应样本，编码后生成全0列。CoxPH模型对全0特征拟合时，无法计算可逆的海森矩阵，直接抛出矩阵奇异报错。
• 你之前单独在全量数据集上运行打分函数无报错，是因为全量数据覆盖了所有分类取值，无全0独热列。

修复步骤 #

• 调整OneHotEncoder参数，规避多重共线性与未知取值问题：

# 替换Pipeline里的OneHotEncoder初始化代码
OneHotEncoder(drop='first', handle_unknown='ignore', sparse_output=False)

• 给CoxPH模型添加L2正则，避免矩阵奇异：

# 替换两处CoxPHSurvivalAnalysis初始化代码（打分函数内、Pipeline内）
CoxPHSurvivalAnalysis(alpha=0.1)

• 给打分函数添加异常捕获与常量列判断逻辑，避免单特征拟合失败终止整体流程：

import numpy as np
from scipy.linalg import LinAlgError

def fit_and_score_features(X, y):
    n_features = X.shape[1]
    scores = np.empty(n_features)
    m = CoxPHSurvivalAnalysis(alpha=0.1)
    for j in range(n_features):
        Xj = X[:, j:j+1]
        # 常量列直接赋值随机猜测的c-index得分，无预测能力
        if np.all(Xj == Xj[0]):
            scores[j] = 0.5
            continue
        try:
            m.fit(Xj, y)
            scores[j] = m.score(Xj, y)
        except LinAlgError:
            scores[j] = 0.5
    return scores

2. 运行时间过长优化 #

当前参数网格遍历1~98所有特征数，3折交叉验证每轮都需要重新计算所有特征的单特征得分，计算量级为 98(k值) * 3(折数) * 98(单特征拟合) * 1(最终模型拟合)，整体训练量极大：

• 缩小k值搜索范围，设置步长粗筛后再细调：

# 示例：每5个k值取一个样本，先定位最优区间
param_grid = {'select__k': np.arange(1, data_x_numeric.shape[1] + 1, 5)}

• 提前用全量数据计算所有特征得分，交叉验证阶段直接用固定得分选top k，无需每折重复计算，可减少90%以上计算量。

3. FutureWarning 修复 #

该警告为scikit-learn与pandas版本兼容性问题，OneHotEncoder处理category类型时调用了已废弃的inplace参数：

• 升级scikit-learn到1.2及以上版本可直接解决
• 无需升级的情况下可添加如下代码忽略警告，不影响运行结果：

import warnings
warnings.filterwarnings("ignore", category=FutureWarning)

内容的提问来源于stack exchange，提问作者Cole