gridsearchcv 的 `scoring` 参数不接受集合（set）类型，必须使用列表、元组、字典或字符串；将 `{'precision','f1','recall','accuracy'}` 改为 `['precision', 'f1', 'recall', 'accuracy']` 即可解决 invalidparametererror。
在使用 GridSearchCV 进行超参数调优时，若希望同时监控多个模型性能指标（如准确率、精确率、召回率和 F1 分数），需确保 scoring 参数的类型符合 scikit-learn 的严格要求。常见错误是误用花括号 {} 创建集合（set），例如：
# ❌ 错误：set 类型不被支持
grid = GridSearchCV(estimator, param_grid, scoring={'precision', 'f1', 'recall', 'accuracy'})
该写法会触发 InvalidParameterError，因为 scoring 不接受 set —— 尽管其元素合法，但类型非法。
✅ 正确做法是使用列表（list）（最简洁常用）：
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=10, n_classes=2, random_state=42)
clf = RandomForestClassifier(random_state=42)
param_grid = {'n_estimators': [50, 100], 'max_depth': [3, 5]}
# ✅ 正确：传入字符串列表，支持多指标
grid = GridSearchCV(
estimator=clf,
param_grid=param_grid,
scoring=['accuracy', 'precision', 'recall', 'f1'], # 注意：方括号，非花括号
cv=5,
refit='f1' # 必须指定一个主优化指标用于最终模型选择
)
grid.fit(X, y)
⚠️ 关键注意事项：
- 当使用多指标列表时，refit 参数必须显式指定（如 'f1'、'precision' 等），否则会报错：ValueError: For multi-metric scoring, the parameter refit must be set to a scorer key.
- 返回的 grid.cv_results_ 将包含每个指标的详细结果，键名为 'mean_test_
'（如 'mean_test_f1', 'mean_test_accuracy'）。 - 若需自定义组合逻辑（如加权平均），可传入字典形式：
scoring = {
'acc': 'accuracy',
'prec_macro': 'precision_macro',
'rec_macro': 'recall_macro',
'f1_macro': 'f1_macro'
}
grid = GridSearchCV(..., scoring=scoring, refit='f1_macro')
或更灵活地传入可调用对象（callable），返回指标名与分数的字典：
from sklearn.metrics import accuracy_score, f1_score
def custom_scorer(estimator, X, y):
y_pred = estimator.predict(X)
return {
'accuracy': accuracy_score(y, y_pred),
'f1_weighted': f1_score(y, y_pred, average='weighted')
}
grid = GridSearchCV(..., scoring=custom_scorer, refit='f1_weighted')
总结：scoring 的合法类型仅有 str、list、tuple、dict 或 callable；杜绝使用 set。优先选用列表形式实现多指标评估，并务必通过 refit 明确指定主优化目标，才能让 GridSearchCV 正常运行并返回可解释的结果。
