报错1：
Traceback (most recent call last):
File “MPL.py”, line 502, in
File “Lib\site-packages\PyInstaller\hooks\rthooks\pyi_rth_multiprocessing.py”, line 45, in _freeze_support
ValueError: not enough values to unpack (expected 2, got 1)

报错2：
!!! Traceback (most recent call last):
File “MPL_0.py”, line 46, in run
File “MPL\Master.py”, line 177, in train
File “MPL\Model_interpretation.py”, line 85, in call
File “MPL\Model_interpretation.py”, line 147, in gini_perm
File “sklearn\utils_param_validation.py”, line 213, in wrapper
File “sklearn\inspection_permutation_importance.py”, line 292, in permutation_importance
File “sklearn\utils\parallel.py”, line 67, in call
File “joblib\parallel.py”, line 1854, in call
File “joblib\parallel.py”, line 1332, in _initialize_backend
File “joblib_parallel_backends.py”, line 550, in configure
File “joblib\executor.py”, line 20, in get_memmapping_executor
File “joblib\executor.py”, line 42, in get_memmapping_executor
File “joblib_memmapping_reducer.py”, line 535, in init
File “joblib_memmapping_reducer.py”, line 539, in set_current_context
File “joblib_memmapping_reducer.py”, line 564, in register_new_context
File “joblib_memmapping_reducer.py”, line 580, in register_folder_finalizer
File “joblib\externals\loky\backend\resource_tracker.py”, line 178, in register
File “joblib\externals\loky\backend\resource_tracker.py”, line 95, in ensure_running
File “joblib\externals\loky\backend\resource_tracker.py”, line 170, in _check_alive
File “joblib\externals\loky\backend\resource_tracker.py”, line 197, in _send
OSError: [Errno 22] Invalid argument !!!

这个错误信息显示了在运行一个使用 joblib 和 sklearn（scikit-learn）的机器学习管道时遇到的问题。具体来说，错误发生在计算模型特征重要性时，更准确地说是在使用 permutation_importance 函数时。此问题似乎涉及到 joblib 在尝试使用它的内存映射(executor)功能进行并行计算时的资源跟踪器。

错误 “OSError: [Errno 22] Invalid argument” 指示了某种形式的无效参数被传递到系统调用中。这可能是由多种原因造成的，包括但不限于：

1. 环境问题： 可能与你的操作系统或环境设置有关，尤其是涉及文件系统和权限的。

2. 资源限制： 系统资源限制（如文件描述符数量、内存等）可能导致此错误。

3. joblib的版本问题： 某些版本的 joblib 可能与其他库不兼容或存在已知的bug。

要解决这个问题，你可以尝试以下方法：

• 环境检查： 确保你的操作系统和环境配置正确。如果你在容器（如Docker）中运行代码，确保容器配置允许足够的资源使用并正确配置了临时文件存储。

• 更新库： 确保所有相关的库，包括 joblib 和 sklearn，都更新到最新版本。不同版本之间的不兼容可能会导致奇怪的错误。

  pip install --upgrade joblib scikit-learn
  

• 资源限制： 检查你的系统资源限制，尤其是如果你在一个受限或共享资源的环境下工作。在某些系统上，你可能需要调整ulimit设置或类似的配置来增加可用资源。

• 简化问题： 尝试简化代码以隔离问题。例如，先用非常小的数据集运行代码，看看问题是否仍然存在。

• 并行设置： 如果使用 joblib 进行并行处理，尝试调整并行执行的参数，比如减少并行工作的数量。这有时可以避免资源竞争或限制导致的问题。

  from sklearn.inspection import permutation_importance
  
  # 减少n_jobs的数量
  result = permutation_importance(model, X, y, n_jobs=1)
  

• 探索替代方案： 如果可能，探索替代的实现方法。虽然 permutation_importance 提供了一种方便的方式来评估特征的重要性，但也许你可以找到或实现一个更适合你特定环境的方法。

如果上述方法都不能解决问题，建议查阅 joblib 和 sklearn 的文档或社区寻求更具体的帮助，可能需要更深入的调查来解决这个问题。

**

以上两次错误是在打包pyqt5中包含QThread情况下使用pyinstaller打包后运行exe文件时遇到的，具体错误原因不详，但已经通过两个方法合并修改得以解决：

**

方法一（参考多线程打包）：利用Pyinstaller打包一个完整的python项目及注意事项

方法二： 就是上面提到的，修改“并行设置”，将permutation_importance(model, X, y, n_jobs=1)中的n_jobs值改为1，这样来避免窗体外的线程触发（如图）。

上面这个图示就是我当时代码的问题位置，里面的n_jobs为2，我改为1之后，就避免了窗体外线程触发，这也是导致反复弹窗和导致内存资源不足的原因

如果你也遇到同我一样的问题，并能得到我的帮助，是我的荣幸。

最后，也请不吝赐赞，谢谢！