gridsearchcv 的 `scoring` 参数不支持 python 集合（set），必须使用列表、元组、字典或可调用对象；将 `{‘precision’,’f1′,’recall’,’accuracy’}` 改为 `[‘precision’, ‘f1’, ‘recall’, ‘accuracy’]` 即可解决 invalidparametererror。
在使用 sklearn.model_selection.GridSearchCV 进行超参数调优时，若需同时评估多个模型性能指标（如准确率、精确率、召回率和 F1 分数），常会误将 scoring 参数设为 python 集合（如 {‘precision’, ‘f1’, ‘recall’, ‘accuracy’}）。这是错误的——因为 scoring 不接受 set 类型，即使其中元素均为合法字符串，也会触发 InvalidParameterError。
✅ 正确做法是使用列表（list）或元组（tuple）：
from sklearn.model_selection import GridSearchCV from sklearn.ensemble import RandomForestClassifier from sklearn.datasets import make_classification X, y = make_classification(n_samples=1000, n_features=4, n_classes=2, random_state=42) clf = RandomForestClassifier(random_state=42) # ✅ 正确：使用列表（推荐） grid_search = GridSearchCV( estimator=clf, param_grid={'n_estimators': [50, 100]}, scoring=['accuracy', 'precision', 'recall', 'f1'], # ← 注意：方括号，非花括号 cv=3, refit='f1' # 必须指定一个主优化指标（refit 不能为 list/dict） ) grid_search.fit(X, y)⚠️ 关键注意事项：
- scoring 接收 list 或 tuple 时，GridSearchCV 会为每个指标单独计算并返回 cv_results_ 中对应字段（如 ‘mean_test_accuracy’, ‘mean_test_f1’ 等）；
- refit 参数必须指定为单一字符串（如 ‘f1’ 或 ‘accuracy’），用于最终选择最优参数组合所依据的指标；不可设为列表或 None（除非你后续不调用 .best_estimator_）；
- 若需自定义组合逻辑（例如加权得分），可传入返回字典的可调用对象：
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score def multi_scorer(estimator, X, y): y_pred = estimator.predict(X) return { 'accuracy': accuracy_score(y, y_pred), 'precision': precision_score(y, y_pred, zero_division=0), 'recall': recall_score(y, y_pred, zero_division=0), 'f1': f1_score(y, y_pred, zero_division=0) } grid_search = GridSearchCV(clf, param_grid, scoring=multi_scorer, refit='f1')? 进阶技巧：使用 make_scorer 构建带参数的评分器（如 average=’macro’）可提升灵活性：
from sklearn.metrics import make_scorer, f1_score scoring = { 'f1_macro': make_scorer(f1_score, average='macro'), 'accuracy': 'accuracy' } grid_search = GridSearchCV(clf, param_grid, scoring=scoring, refit='f1_macro')总结：始终牢记 scoring 的合法类型是 str / callable / list / tuple / dict —— 集合（set）不在其列。优先使用列表形式实现多指标评估，并合理设置 refit 以确保模型可部署。