机器学习算法目标变量为连续变量时，使用scoring='neg_mean_squared_error'报错ValueError: Unknown label type: 'continuous'

这个错误是因为 `scoring='neg_mean_squared_error'` 是一个用于分类任务的评分函数，而你的目标变量是连续变量（回归任务）。所以，你需要使用适合回归任务的评分函数。

对于回归任务，可以使用以下的评分函数：

- `neg_mean_absolute_error`
- `neg_mean_squared_error`
- `neg_root_mean_squared_error`
- `r2`

你可以根据你的任务需求选择适合的评分函数。例如，如果你想要评估预测值与真实值之间的平均误差，可以使用 `neg_mean_absolute_error`。如果你想要评估预测值与真实值之间的平均平方误差，可以使用 `neg_mean_squared_error`。

在使用评分函数时，可以参考以下示例代码：

from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

# 创建一个回归数据集
X, y = make_regression(n_samples=100, n_features=10, random_state=42)

# 创建一个线性回归模型
model = LinearRegression()

# 使用 neg_mean_squared_error 作为评分函数
scores = cross_val_score(model, X, y, cv=5, scoring='neg_mean_squared_error')
print('neg_mean_squared_error scores:', scores)

# 使用 neg_mean_absolute_error 作为评分函数
scores = cross_val_score(model, X, y, cv=5, scoring='neg_mean_absolute_error')
print('neg_mean_absolute_error scores:', scores)

# 使用 neg_root_mean_squared_error 作为评分函数
from sklearn.metrics import make_scorer, mean_squared_error
import numpy as np
def root_mean_squared_error(y_true, y_pred):
    return np.sqrt(mean_squared_error(y_true, y_pred))
rmse_scorer = make_scorer(root_mean_squared_error, greater_is_better=False)
scores = cross_val_score(model, X, y, cv=5, scoring=rmse_scorer)
print('neg_root_mean_squared_error scores:', scores)

# 使用 r2 作为评分函数
from sklearn.metrics import r2_score
r2_scorer = make_scorer(r2_score)
scores = cross_val_score(model, X, y, cv=5, scoring=r2_scorer)
print('r2 scores:', scores)

以上示例代码演示了如何使用不同的评分函数进行交叉验证，并输出每个评分函数的结果。