GridSearchCV是一种用于网格搜索的模型选择和参数调优的方法。在使用GridSearchCV时，我们可以设置不同的评分选项来评估模型的性能。以下是GridSearchCV中的评分选项：
Accuracy（准确率）：正确分类的样本数除以总样本数。
Precision（精确率）：真正例（True Positive）的数量除以真正例和假正例（False Positive）的数量之和。它衡量的是分类器正确分类正例的能力。
Recall（召回率）：真正例的数量除以真正例和假负例（False Negative）的数量之和。它衡量的是分类器发现正例的能力。
F1-Score：精确率和召回率的调和平均数。它是一种综合性的评分指标，能够平衡精确率和召回率之间的关系。
ROC-AUC：通过计算ROC曲线下的面积来衡量分类器性能的指标。ROC曲线是真正例率和假正例率之间的关系。AUC越接近1，分类器性能越好。
Mean Absolute Error（MAE）：预测值与真实值之差的绝对值的平均值。它是回归模型性能的指标之一。
Mean Squared Error（MSE）：预测值与真实值之差的平方的平均值。它是回归模型性能的指标之一。
R2-Score：R平方系数是用于评估回归模型拟合优度的指标。它表示实际值与拟合值之间的相关性。R平方系数的取值范围在0到1之间，越接近1表示模型拟合得越好。
以上是GridSearchCV中常用的评分选项。根据具体的问题和任务需求，我们可以选择不同的评分选项来评估模型的性能。