scikit learn-Python中的GridSearchCV返回可能最差的参数（对于岭回归）-而不是最佳参数

我遇到了一个问题，Scikit learn的GridSearchCV给了我一个可能最差的参数，这个参数会导致最差的分数（根MSE），而不是最好的。

我从以下内容开始（当然还有导入的Ridge、GridSearchCV、make\u pipeline、TimeSeriesSplit、numpy、pandas等）：

ridge_pipe = make_pipeline(Ridge(random_state=42, max_iter=100000))

tscv = TimeSeriesSplit(n_splits=5)

param_grid = {'ridge__alpha': np.logspace(1e-300, 1e-1, 500)}
grid = GridSearchCV(ridge_pipe, param_grid, cv=tscv, scoring='neg_root_mean_squared_error', 
n_jobs=-1)
grid.fit(news_df, y_battles)
print(grid.best_params_)
print(grid.score(news_df, y_battles))

它提供了以下输出：

{'ridge__alpha': 1.2589254117941673}
-4.067235334106922

这并不是因为我在使用TimeSeriesSplit，而是因为我尝试在GridSearchCV（）中使用cv=5而不是cv=tscv，这会导致同样的问题。

我还尝试在单独考虑1e-300的alpha值时找到分数，看看它是否确实比1e-1的分数更好：

param_grid = {'ridge__alpha': [1e-300]}
grid = GridSearchCV(ridge_pipe, param_grid, cv=tscv, 
scoring='neg_root_mean_squared_error', n_jobs=-1)
grid.fit(news_df, y_battles)
print(grid.best_params_)
print(grid.score(news_df, y_battles))

它给了我这个输出：

{'ridge__alpha': 1e-300}
-2.0906161667718835e-13

显然，1e-300的alpha值比1e-1的alpha值有更好的根MSE（~-2e-13），因为使用GridSearchCV的负根MSE与所有其他上下文中的正根MSE具有相同的含义（据我所知）。所以-2e-13的根MSE实际上是2e-13，-4实际上是4。根MSE越低越好。

我试图发挥创造力，而只是提供了一系列价值观：

param_grid = {'ridge__alpha': [1e-1, 1e-50, 1e-60, 1e-70, 1e-80, 1e-90, 1e-100, 1e-300]}
grid = GridSearchCV(ridge_pipe, param_grid, cv=tscv, scoring='neg_root_mean_squared_error', 
n_jobs=-1)
grid.fit(news_df, y_battles)
print(grid.best_params_)
print(grid.score(news_df, y_battles))

输出结果表明同样的问题正在发生：

{'ridge__alpha': 0.1}
-2.0419740158869386

所以，我知道np。日志空间不是问题。有什么想法吗？