AttributeError: 'LinearRegression' object has no attribute 'coef_'
Atributele cu underscore la final (coef_, intercept_, classes_, feature_importances_) există doar după fit. Antrenează modelul înainte să le citești. Dacă modelul e antrenat, verifică numele atributului: unele modele nu au coef_ (de exemplu arborii).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
În scikit-learn, convenția e clară: tot ce se termină cu _ (de exemplu coef_, intercept_, classes_, n_features_in_, cluster_centers_) este învățat din date și apare pe obiect abia după fit. Înainte de antrenare, atributul pur și simplu nu există, iar Python dă AttributeError.
Al doilea caz frecvent: modelul e antrenat, dar nu are atributul cerut. coef_ există la modelele liniare (LinearRegression, LogisticRegression, Ridge, Lasso); un DecisionTreeClassifier sau un RandomForestRegressor au în schimb feature_importances_, iar KNeighborsClassifier nu are niciunul. Al treilea caz: modelul e într-un Pipeline, iar coef_ trebuie citit de pe pasul final: pipe.named_steps["model"].coef_.
De ce apare: cauzele frecvente
1Atribut citit înainte de fit
model = LinearRegression()
print(model.coef_)model = LinearRegression().fit(X, y)
print(model.coef_)Coeficienții sunt calculați de fit; după antrenare, atributul există.
2coef_ cerut unui arbore
arbore = DecisionTreeRegressor().fit(X, y)
print(arbore.coef_)arbore = DecisionTreeRegressor().fit(X, y)
print(arbore.feature_importances_)Un arbore nu are coeficienți, ci praguri. Importanța fiecărei caracteristici se citește din feature_importances_.
3coef_ cerut pipeline-ului
pipe = make_pipeline(StandardScaler(), LinearRegression()).fit(X, y)
print(pipe.coef_)pipe = make_pipeline(StandardScaler(), LinearRegression()).fit(X, y)
print(pipe[-1].coef_)Pipeline-ul nu are coeficienți; modelul din ultimul pas îi are. pipe[-1] îl selectează.
Repară eroarea, direct în pagină
Codul de mai jos dă AttributeError: 'LinearRegression' object has no attribute 'coef_', pentru că programul citește coeficienții înainte de antrenare. Repară-l: antrenează modelul înainte de a afișa panta și interceptul.
import pandas as pd
from sklearn.linear_model import LinearRegression
df = pd.DataFrame({
"ore_studiu": [1, 2, 3, 4, 5, 6],
"nota": [5, 6, 6.5, 7.5, 8, 9],
})
X = df[["ore_studiu"]]
y = df["nota"]
model = LinearRegression()
print("Panta:", round(model.coef_[0], 3))
print("Intercept:", round(model.intercept_, 3))
model.fit(X, y)Panta: 0.771 Intercept: 4.3
Indiciu
Mută model.fit(X, y) înainte de liniile cu print.
Reparația
import pandas as pd
from sklearn.linear_model import LinearRegression
df = pd.DataFrame({
"ore_studiu": [1, 2, 3, 4, 5, 6],
"nota": [5, 6, 6.5, 7.5, 8, 9],
})
X = df[["ore_studiu"]]
y = df["nota"]
model = LinearRegression()
model.fit(X, y)
print("Panta:", round(model.coef_[0], 3))
print("Intercept:", round(model.intercept_, 3))De ce merge
coef_ și intercept_ sunt calculate din date în timpul lui fit: sunt panta și punctul de pornire al dreptei care se potrivește cel mai bine notelor. Înainte de antrenare, obiectul are doar parametrii aleși de tine, deci atributele nu există și Python dă AttributeError. După ce muți fit mai sus, atributele apar, iar panta îți spune cu cât crește nota, în medie, pentru fiecare oră de studiu în plus.
Alte forme ale mesajului
AttributeError: 'DecisionTreeClassifier' object has no attribute 'coef_'AttributeError: 'Pipeline' object has no attribute 'coef_'AttributeError: 'KMeans' object has no attribute 'cluster_centers_'
Cum o eviți pe viitor
Citește atributele învățate doar după fit și preferă forma model = Model().fit(X, y). Când schimbi tipul modelului, verifică în documentație ce atribute are (de exemplu coef_ la liniare, feature_importances_ la arbori). Pentru pipeline-uri, accesează modelul cu pipe[-1] sau pipe.named_steps["nume"]. Pentru o verificare rapidă, hasattr(model, "coef_") îți spune dacă atributul există.
Întrebări frecvente
De ce unele atribute au underscore la final?
E o convenție scikit-learn: parametrii pe care îi alegi tu (fit_intercept, max_depth) nu au underscore; valorile învățate din date (coef_, classes_) au. Așa știi imediat că un atribut apare doar după fit.
De ce nu primesc NotFittedError?
NotFittedError apare la metode (predict, transform), care verifică explicit dacă modelul e antrenat. Când citești direct un atribut, Python constată doar că nu există și dă AttributeError.
Erori înrudite
NotFittedError: This LinearRegression instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator. Ai apelat predict, transform sau score pe un model (sau scaler) care încă n-a fost antrenat. Apelează întâi fit(X, y) pe același obiect, apoi predict. Verifică să nu fi creat un obiect nou între timp sau să fi antrenat altă variabilă. AttributeError: 'LinearRegression' object has no attribute 'predict_proba' predict_proba există doar la clasificatori care estimează probabilități (LogisticRegression, arbori, k-NN, Naive Bayes). LinearRegression prezice numere, nu clase. Pentru probabilități folosește LogisticRegression; la SVC pornește probability=True. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
