我正在尝试使用scikit-learn的GridSearchCV来实现高斯过程回归（GPR）。我使用的是一个大约200个点的较小数据集，并希望使用留一法交叉验证（LOOCV）作为模型性能评估器。我的设置是这样的：

from sklearn.model_selection import *from sklearn.ensemble import *from sklearn.gaussian_process import *param_grid = {    'kernel':[kernels.RBF(),kernels.Matern(length_scale=0.1)],    'n_restarts_optimizer':[5,10,20,25],    'random_state':[30]}res_GPR = GridSearchCV(estimator=GaussianProcessRegressor(),param_grid=param_grid,cv=LeaveOneOut(),verbose=20,n_jobs=-1)res_GPR.fit(X,y)

其中X和y分别是我的数据点和目标值。我知道GPR返回的评分方法是r^2，对于LOOCV情况这是不可定义的（因为只有一个测试元素），这通过获取拟合模型的.best_score_属性得到NaN来验证。因此，我希望模型仅使用每个测试案例的均方根误差（RMSE）进行评分，并在所有迭代中取平均值。我该如何实现这一点？

回答：

GridSearchCV包含一个scoring参数，你可以用它将评分设置为负的RMSE：

res_GPR = GridSearchCV(estimator=GaussianProcessRegressor(),                       param_grid=param_grid,                       cv=LeaveOneOut(),                       verbose=20,                       n_jobs=-1,                        scoring = 'neg_root_mean_squared_error')

请参阅文档和可用评分列表以获取更多信息。