Python 关于sklearn（超参数优化）的问题

我在学习随机森林模型和梯度提升模型，并编写了以下代码：

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import RandomizedSearchCV
rforest = RandomForestRegressor()
search_space = {'n_estimators':[100, 250, 500, 750, 1000, 1250, 1500], 'min_samples_leaf':[1,5,10,20,25,30,40,50],'max_features': np.arange(1,train_x.shape[1]),}

rforest_search = RandomizedSearchCV(rforest, search_space, cv = 5, n_iter=20, return_train_score=False, n_jobs=-1, random_state=20)
rforest_search.fit(train_x,train_y)

print('Best parameters for random forest:', rforest_search.best_params_, '\n')

但是发生了一个错误，这个错误在我拟合决策树模型时没有发生。错误是： UnicodeEncodeError:“ascii”编解码器无法对位置18-20的字符进行编码：序号不在范围（128）内。

我尝试使用sklearn的0.23.2和0.22.1版本，但问题仍然存在。我想知道为什么会发生这种情况，以及如何解决它

我用于决策树模型的代码是：

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import RandomizedSearchCV
d_tree = DecisionTreeRegressor()

tuning_parameters = {'min_samples_leaf':[1,5,10,20,25,30],'max_depth':np.arange(1,50),}

dt_estimation = RandomizedSearchCV(d_tree, tuning_parameters, n_iter=20, cv=5, return_train_score=False)

#Since Decisiont Tree model is not sensitive to distribution and scaling, original data is used
dt_estimation.fit(train_x,train_y)
print("best_parms:{0}\nbest_score:{1}".format(dt_estimation.best_params_, dt_estimation.best_score_))

整个错误消息如下所示：

UnicodeEncodeError                        Traceback (most recent call last)
<timed exec> in <module>

D:\python\lib\site-packages\sklearn\model_selection\_search.py in fit(self, X, y, groups, **fit_params)
    667                                     verbose=self.verbose)
    668         results = {}
--> 669         with parallel:
    670             all_candidate_params = []
    671             all_out = []

D:\python\lib\site-packages\joblib\parallel.py in __enter__(self)
    709     def __enter__(self):
    710         self._managed_backend = True
--> 711         self._initialize_backend()
    712         return self
    713 

D:\python\lib\site-packages\joblib\parallel.py in _initialize_backend(self)
    719         """Build a process or thread pool and return the number of workers"""
    720         try:
--> 721             n_jobs = self._backend.configure(n_jobs=self.n_jobs, parallel=self,
    722                                              **self._backend_args)
    723             if self.timeout is not None and not self._backend.supports_timeout:

D:\python\lib\site-packages\joblib\_parallel_backends.py in configure(self, n_jobs, parallel, prefer, require, idle_worker_timeout, **memmappingexecutor_args)
    492                 SequentialBackend(nesting_level=self.nesting_level))
    493 
--> 494         self._workers = get_memmapping_executor(
    495             n_jobs, timeout=idle_worker_timeout,
    496             env=self._prepare_worker_env(n_jobs=n_jobs),

D:\python\lib\site-packages\joblib\executor.py in get_memmapping_executor(n_jobs, **kwargs)
     18 
     19 def get_memmapping_executor(n_jobs, **kwargs):
---> 20     return MemmappingExecutor.get_memmapping_executor(n_jobs, **kwargs)
     21 
     22 

D:\python\lib\site-packages\joblib\executor.py in get_memmapping_executor(cls, n_jobs, timeout, initializer, initargs, env, temp_folder, context_id, **backend_args)
     40         _executor_args = executor_args
     41 
---> 42         manager = TemporaryResourcesManager(temp_folder)
     43 
     44         # reducers access the temporary folder in which to store temporary

D:\python\lib\site-packages\joblib\_memmapping_reducer.py in __init__(self, temp_folder_root, context_id)
    529             # exposes exposes too many low-level details.
    530             context_id = uuid4().hex
--> 531         self.set_current_context(context_id)
    532 
    533     def set_current_context(self, context_id):

D:\python\lib\site-packages\joblib\_memmapping_reducer.py in set_current_context(self, context_id)
    533     def set_current_context(self, context_id):
    534         self._current_context_id = context_id
--> 535         self.register_new_context(context_id)
    536 
    537     def register_new_context(self, context_id):

D:\python\lib\site-packages\joblib\_memmapping_reducer.py in register_new_context(self, context_id)
    558                 new_folder_name, self._temp_folder_root
    559             )
--> 560             self.register_folder_finalizer(new_folder_path, context_id)
    561             self._cached_temp_folders[context_id] = new_folder_path
    562 

D:\python\lib\site-packages\joblib\_memmapping_reducer.py in register_folder_finalizer(self, pool_subfolder, context_id)
    588         # semaphores and pipes
    589         pool_module_name = whichmodule(delete_folder, 'delete_folder')
--> 590         resource_tracker.register(pool_subfolder, "folder")
    591 
    592         def _cleanup():

D:\python\lib\site-packages\joblib\externals\loky\backend\resource_tracker.py in register(self, name, rtype)
    189         '''Register a named resource, and increment its refcount.'''
    190         self.ensure_running()
--> 191         self._send('REGISTER', name, rtype)
    192 
    193     def unregister(self, name, rtype):

D:\python\lib\site-packages\joblib\externals\loky\backend\resource_tracker.py in _send(self, cmd, name, rtype)
    202 
    203     def _send(self, cmd, name, rtype):
--> 204         msg = '{0}:{1}:{2}\n'.format(cmd, name, rtype).encode('ascii')
    205         if len(name) > 512:
    206             # posix guarantees that writes to a pipe of less than PIPE_BUF

UnicodeEncodeError: 'ascii' codec can't encode characters in position 18-20: ordinal not in range(128)

UnicodeEncodeError回溯（最近一次呼叫最后一次）
在里面
D:\python\lib\site packages\sklearn\model\u selection\\u search.py in fit（self、X、y、groups、**fit\u参数）
667 verbose=self.verbose）
668结果={}
-->669与平行：
670所有候选参数=[]
671全部输出=[]
D:\python\lib\site packages\joblib\parallel.py in\uuuuu enter\uuuuu（self）
709定义输入（自我）：
710 self.\u managed\u backend=True
-->711自初始化后端（）
712回归自我
713
D:\python\lib\site packages\joblib\parallel.py位于\u initialize\u后端（self）
719“生成进程或线程池并返回工作进程数”
720试试：
-->721 n_jobs=self.\u backend.configure（n_jobs=self.n_jobs，parallel=self，
722**self.\u后端\u参数）
723如果self.timeout不是None且不是self.\u backend.supports\u timeout：
配置中的D:\python\lib\site packages\joblb\u parallel\u backends.py（self、n\u jobs、parallel、preference、require、idle\u worker\u timeout、**memmappingexecutor\u args）
492顺序后端（嵌套级别=自嵌套级别））
493
-->494 self.\u workers=get\u memmapping\u执行器(
495个n_作业，超时=空闲\u工作者\u超时，
496环境=自我。准备工人环境（n个工作=n个工作），
get\u memmapping\u executor中的D:\python\lib\site packages\joblb\executor.py（n\u作业，**kwargs）
18
19 def get_memmapping_执行器（n_作业，**kwargs）：
--->20返回MemmappingExecutor.get_memmapping_executor（n_作业，**kwargs）
21
22
get_memmapping_executor中的D:\python\lib\site packages\joblb\executor.py（cls、n_作业、超时、初始值设定项、initargs、env、temp_文件夹、上下文_id、**后端_参数）
40执行者参数=执行者参数
41
--->42管理器=临时资源管理器（临时文件夹）
43
44#还原程序访问要存储临时文件的临时文件夹
D:\python\lib\site packages\joblib\\u memmapping\u reducer.py in\uuuuuuu init\uuuuuu（self，temp\u folder\u root，context\u id）
529暴露了太多的低级细节。
530 context_id=uuid4（）.hex
-->531自身。设置当前上下文（上下文id）
532
533 def设置当前上下文（自身，上下文id）：
D:\python\lib\site packages\joblib\\u memmapping\u reducer.py在set\u current\u上下文（self，context\u id）中
533 def设置当前上下文（自身，上下文id）：
534 self.\u current\u context\u id=context\u id
-->535.注册新上下文（上下文id）
536
537 def寄存器新上下文（自身，上下文id）：
D:\python\lib\site packages\joblib\\u memmapping\u reducer.py在register\u new\u上下文（self，context\u id）中
558新文件夹名称、自身临时文件夹根目录
559             )
-->560 self.注册文件夹终结器（新文件夹路径、上下文id）
561自缓存临时文件夹[上下文id]=新文件夹路径
562
D:\python\lib\site packages\joblib\\u memmapping\u reducer.py在register\u folder\u finalizer（self，pool\u子文件夹，context\u id）中
588#信号灯和管道
589池\模块\名称=哪个模块（删除\文件夹，'删除\文件夹'）
-->590资源跟踪程序。注册（池子文件夹，“文件夹”）
591
592 def_cleanup（）：
寄存器中的D:\python\lib\site packages\joblib\externals\loky\backend\resource\u tracker.py（self、name、rtype）
189'''注册命名资源，并增加其引用计数''
190自我保护。确保_运行（）
-->191自我发送（“寄存器”、名称、rtype）
192
193 def注销（自我、姓名、rtype）：
D:\python\lib\site packages\joblib\externals\loky\backend\resource\u tracker.py in\u send（self，cmd，name，rtype）
202
203 def_发送（self、cmd、name、rtype）：
-->204 msg='{0}:{1}:{2}\n'.格式（cmd，name，rtype）.encode（'ascii'）
205如果len（名称）>512：
206#posix保证写入到小于pipe#BUF的管道
UnicodeEncodeError:“ascii”编解码器无法对位置18-20中的字符进行编码：序号不在范围内（128）

欢迎来到SO！你能添加完整的错误信息吗（包括回溯，如果可能的话）？我已经添加了完整的错误信息。非常感谢。