我这样调整之后还是报错相同错误，为什么

如果你已经使用了make_scorer函数来转换scorer，但还是报错缺少y_true参数，那么可能是因为你的聚类模型的fit函数没有返回y_true参数。在GridSearchCV中，需要使用带有y_true参数的scorer来计算模型的得分，因此如果聚类模型没有返回y_true参数，就会报错缺少y_true参数。

解决这个问题的方法是在聚类模型中添加一个dummy的y_true参数。具体的实现方式如下：

from sklearn.metrics import silhouette_score, make_scorer, calinski_harabasz_score
from sklearn.model_selection import GridSearchCV
from sklearn.cluster import KMeans

# 添加dummy y_true参数的聚类模型
class KMeansWithY(KMeans):
    def fit(self, X, y=None, **kwargs):
        y = X[:, 0] * 0  # 创建dummy的y_true参数
        super().fit(X, y=y, **kwargs)

# 定义需要调参的参数和参数取值范围
param_grid = {'n_clusters':[2,3,4,5,6]}

# 定义需要使用的scorer
scoring = {'Silhouette': make_scorer(silhouette_score), 
           'Calinski_Harabasz': make_scorer(calinski_harabasz_score)}

# 定义聚类模型
model = KMeansWithY()

# 定义GridSearchCV
grid = GridSearchCV(model, param_grid=param_grid, scoring=scoring, refit=False)

# 训练模型
grid.fit(X)

# 输出最佳参数
print(grid.best_params_)

在这个例子中，我们创建了一个新的聚类模型KMeansWithY，它继承了KMeans模型，并覆盖了fit函数来添加dummy的y_true参数。然后在GridSearchCV中使用了KMeansWithY模型和带有y_true参数的scorer来进行调参。最后输出最佳参数。