如果并行的RandomizedSearchCV导致NaN的损失，可能是由于作业过多导致的内存不足或计算资源不足。可以尝试以下解决方法：

1. 减少作业数量：可以通过设置n_jobs参数来减少作业数量，以减轻计算资源的负担。将n_jobs设置为较小的值，例如1或2，以限制并行处理的作业数量。

2. 增加计算资源：如果计算资源不足，可以尝试增加计算资源，例如使用更强大的计算机或使用云计算平台来执行计算密集型任务。

3. 减少参数搜索空间：如果参数搜索空间过大导致内存不足，可以尝试减少参数搜索空间。可以通过减少参数的范围或减少参数的数量来限制搜索空间。

4. 使用更小的数据集：如果数据集过大导致内存不足，可以尝试使用更小的数据集进行参数搜索。可以随机抽样一部分数据来代表整个数据集，以减少内存使用量。

5. 使用更高效的算法或模型：如果以上方法仍然无法解决问题，可以考虑使用更高效的算法或模型来替代RandomizedSearchCV。一些算法或模型可能具有更低的内存要求或更高的计算效率。

以下是一个示例代码，演示如何通过减少作业数量来解决并行的RandomizedSearchCV导致的NaN损失问题：

from sklearn.model_selection import RandomizedSearchCV
from sklearn.ensemble import RandomForestRegressor
from sklearn.datasets import make_regression

X, y = make_regression(n_samples=1000, n_features=10)

param_grid = {
    'n_estimators': [10, 50, 100],
    'max_depth': [None, 5, 10]
}

model = RandomForestRegressor()

# 减少作业数量为2
search = RandomizedSearchCV(model, param_grid, n_iter=5, n_jobs=2, cv=5)
search.fit(X, y)

这里将n_jobs参数设置为2，以减少并行处理的作业数量。根据计算资源的情况，可以适当调整n_jobs的值。