嘿，这个问题我之前也碰到过，其实解决办法分两种情况，取决于你到底是想用MSE作为模型选择的评估指标，还是让SVR训练时的损失函数更贴近MSE，下面给你详细拆解：

方法一：用GridSearchCV以MSE为指标选最优SVR模型 #

SVR本身的fit方法确实没有scoring参数，但我们可以借助GridSearchCV来实现——它不仅能帮你搜超参数，还能指定用MSE作为交叉验证的评估指标，最终选出在MSE上表现最优的SVR模型。

这里要注意：sklearn的评分函数默认是越大越好，而MSE是越小越好，所以我们需要用neg_mean_squared_error（负均方误差）作为评分指标，这样GridSearchCV会最大化这个负值，等价于最小化原始MSE。

示例代码如下：

from sklearn.svm import SVR
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import make_regression
from sklearn.metrics import mean_squared_error

# 生成示例回归数据
X, y = make_regression(n_samples=100, n_features=1, noise=0.1, random_state=42)

# 初始化SVR模型和参数网格
svr = SVR()
param_grid = {
    'C': [0.1, 1, 10],
    'gamma': ['scale', 'auto'],
    'kernel': ['rbf', 'linear']
}

# 用GridSearchCV指定MSE作为评分指标
grid_search = GridSearchCV(
    estimator=svr,
    param_grid=param_grid,
    scoring='neg_mean_squared_error',  # 负均方误差
    cv=5,  # 5折交叉验证
    refit=True  # 用最优参数在全量数据上重新训练
)
grid_search.fit(X, y)

# 获取最优SVR模型
best_svr = grid_search.best_estimator_

# 计算训练集MSE
y_pred = best_svr.predict(X)
train_mse = mean_squared_error(y, y_pred)
print(f"最优模型训练集MSE: {train_mse:.4f}")

运行这段代码后，best_svr就是在交叉验证中MSE最小的SVR模型，完全满足你用MSE来筛选模型的需求。

方法二：调整SVR参数让训练损失贴近MSE #

如果你想让SVR在训练过程中就以类似MSE的平方损失为目标，可以利用SVR的loss参数——当使用线性核时，loss支持设置为squared_epsilon_insensitive，这时候模型的损失函数是平方形式，和MSE的逻辑更接近。

如果再把epsilon设为0，这个损失就几乎和MSE一致了（唯一区别是SVR还带有正则项C，用来控制模型复杂度）。

示例代码：

from sklearn.svm import SVR
from sklearn.datasets import make_regression
from sklearn.metrics import mean_squared_error

X, y = make_regression(n_samples=100, n_features=1, noise=0.1, random_state=42)

# 使用平方损失的线性SVR
svr_squared_loss = SVR(
    kernel='linear',
    loss='squared_epsilon_insensitive',
    epsilon=0,
    C=1.0
)
svr_squared_loss.fit(X, y)

# 计算训练集MSE
y_pred_sq = svr_squared_loss.predict(X)
train_mse_sq = mean_squared_error(y, y_pred_sq)
print(f"平方损失SVR训练集MSE: {train_mse_sq:.4f}")

不过要注意：这个方法只适用于线性核的SVR，非线性核（比如rbf）不支持squared_epsilon_insensitive损失。如果你的任务需要非线性核，还是方法一更通用。

内容的提问来源于stack exchange，提问作者anon_swe