运行LinearSVC交叉验证时出现ConvergenceWarning该如何解决？

触发收敛警告的核心原因 #

运行时弹出的ConvergenceWarning: Liblinear failed to converge，是两处代码逻辑问题叠加导致的：

• 数据预处理流程缺失赋值：代码中执行了scaler.fit_transform(X)，但没有将标准化后的结果重新赋值给特征变量，模型实际训练时输入的仍是原始量纲的特征。SVM类模型对特征量纲敏感度极高，未做标准化的输入会大幅提高求解器收敛难度，很容易触发迭代次数上限。
• 求解器默认迭代阈值偏低：LinearSVC内置的Liblinear求解器默认最大迭代次数为1000次，对于未做量纲统一的线性可分数据集，求解最优分类边界往往需要更多迭代步长，很容易超过默认阈值。

代码中存在的逻辑错位 #

除了警告本身，评估环节的指标选择和任务类型不匹配：

• 你训练的是二分类模型LinearSVC，但交叉验证时选用了neg_mean_squared_error（回归任务专用的均方误差指标）。虽然你的数据集完全线性可分，最终计算出的RMSE为0，但这种评估逻辑不符合分类任务的目标，分类场景下更适合选择accuracy等专属评分指标。

修复方案 #

修正预处理的赋值逻辑，按需调整求解器参数即可消除警告：

# 修正后的数据与模型准备代码
train_set, test_set = train_test_split(df, test_size=0.2, random_state=42)
X = train_set.drop("lable", axis=1)
y = train_set["lable"].copy()

scaler = StandardScaler()
# 修正1：接收标准化后的返回值，替换原始特征
X = scaler.fit_transform(X)

# 修正2（可选）：如果标准化后仍触发收敛警告，可适当上调最大迭代次数
linear_svc = LinearSVC(C=5, loss="hinge", random_state=42, max_iter=10000)
linear_svc.fit(X, y)

# 修正3：将交叉验证的评分指标替换为分类适配的accuracy
scores = cross_val_score(linear_svc, X, y, scoring="accuracy", cv=10)
print("平均交叉验证准确率:", scores.mean())

调整完成后，Liblinear求解器会在合理步长内收敛，不会再弹出收敛警告，交叉验证的评估结果也会和任务目标对齐。

运行输出示例：
平均交叉验证准确率: 1.0

内容的提问来源于stack exchange，提问作者guilerme_coppola84