我正在学习机器学习，并在进行波士顿房价预测任务。我有以下代码：

from sklearn.metrics import fbeta_score, make_scorer
from sklearn.model_selection import GridSearchCV
def fit_model(X, y):
    """ 使用 GridSearchCV 在输入数据 X 和目标标签 y 上调整决策树回归模型的参数，并返回这个最优模型。 """
    # 创建一个决策树回归器对象
    regressor = DecisionTreeRegressor()
    # 设置我们希望调整的参数
    parameters = {'max_depth':(1,2,3,4,5,6,7,8,9,10)}
    # 创建一个合适的评分函数
    scoring_function = make_scorer(fbeta_score, beta=2)
    # 创建 GridSearchCV 对象
    reg = GridSearchCV(regressor, param_grid=parameters, scoring=scoring_function)
    print reg
    # 拟合学习器到数据上以获得参数调整后的最优模型
    reg.fit(X, y)
    # 返回最优模型
    return reg.best_estimator_
reg = fit_model(housing_features, housing_prices)

这会引发 ValueError: continuous is not supported 错误，错误发生在 reg.fit(X, y) 这一行，我不明白为什么会这样。是什么原因导致的，我在这里遗漏了什么？

回答：

这是因为以下这行代码：

scoring_function = make_scorer(fbeta_score, beta=2)

这行代码将评分指标设置为 fbeta，这是一个用于分类任务的指标！

而你在这里进行的是回归任务，如下所示：

regressor = DecisionTreeRegressor()

根据文档：