Sklearn交叉验证使用SVC模型返回NaN

是由于数据集中存在缺失值或者不合理的数据导致的。交叉验证是一种常用的模型评估方法，它将数据集分为训练集和验证集，通过多次训练和验证来评估模型的性能。

SVC是Sklearn中的支持向量机分类器模型，用于解决二分类和多分类问题。当使用SVC模型进行交叉验证时，如果数据集中存在缺失值或者不合理的数据，模型在处理这些数据时可能会返回NaN（Not a Number）。

为了解决这个问题，我们可以采取以下几个步骤：

1. 数据预处理：首先需要对数据集进行预处理，包括处理缺失值和异常值。可以使用Sklearn中的Imputer类来填充缺失值，使用Outlier Detection方法来处理异常值。
2. 特征工程：在交叉验证之前，可以进行特征工程来提取更有意义的特征。可以使用Sklearn中的特征选择方法、特征变换方法等。
3. 数据归一化：对数据进行归一化可以提高模型的性能和稳定性。可以使用Sklearn中的MinMaxScaler或StandardScaler来进行数据归一化。
4. 调整模型参数：如果数据预处理和特征工程都没有解决NaN的问题，可以尝试调整SVC模型的参数。可以使用Sklearn中的GridSearchCV或RandomizedSearchCV来进行参数调优。
5. 使用其他模型：如果以上方法都无法解决NaN的问题，可以尝试使用其他模型进行交叉验证。Sklearn中还有许多其他的分类器模型，如Random Forest、Logistic Regression等。

总结起来，解决Sklearn交叉验证使用SVC模型返回NaN的问题需要进行数据预处理、特征工程、数据归一化和模型参数调优等步骤。如果以上方法都无法解决问题，可以尝试使用其他模型进行交叉验证。