AttributeError: 'GPR' object has no attribute 'score'

`GPR`是 Gaussian Process Regression的缩写，是一种基于高斯过程的回归方法。它是一种无参数的回归方法，需要使用其他指标来评估模型的性能，而不是使用 `score()` 方法。

你可以使用以下指标来评估 `GPR` 模型的性能：

- 均方误差（Mean Squared Error, MSE）：衡量预测值与真实值之间的差异程度。MSE 越小，模型的性能越好。
- 平均绝对误差（Mean Absolute Error, MAE）：衡量预测值与真实值之间的绝对差异程度。MAE 越小，模型的性能越好。
- 决定系数（Coefficient of Determination, R²）：衡量模型解释因变量方差的能力。R² 越接近 1，模型的性能越好。

下面是一个使用 `GPR` 模型并计算 MSE 的示例代码：

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载数据集
boston = load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义 GPR 模型
model = GaussianProcessRegressor()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算 MSE
mse = mean_squared_error(y_test, y_pred)
print("MSE:", mse)

在上面的代码中，我们使用波士顿房价数据集训练了一个 `GPR` 模型，并使用 `mean_squared_error()` 计算了预测结果的 MSE。你可以根据实际情况选择其他指标进行模型评估。