AttributeError: 'LogisticRegression' object has no attribute 'transform'
Modelele (clasificatori, regresori) nu au transform: ele prezic cu predict. transform există doar la transformatoare, cum sunt StandardScaler, OneHotEncoder sau PCA. Folosește model.predict(X), sau aplică transform pe scaler, nu pe model.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
În scikit-learn există două feluri de obiecte. Transformatoarele (StandardScaler, SimpleImputer, OneHotEncoder, PCA) au fit, transform și fit_transform: primesc X și întorc un X modificat. Estimatorii finali (LogisticRegression, LinearRegression, RandomForestClassifier) au fit, predict și score: primesc X și întorc predicții.
Mesajul spune că ai cerut transform (sau fit_transform) de la un model care nu știe să transforme date. Se întâmplă când copiezi un rând scris pentru scaler și schimbi doar numele variabilei, când confunzi variabilele scaler și model, sau când crezi că fit_transform antrenează și prezice într-un singur pas. Pentru asta există fit(X, y).predict(X) sau, la clustering, fit_predict.
De ce apare: cauzele frecvente
1Ai cerut transform de la model
model.fit(X_train, y_train)
pred = model.transform(X_test)model.fit(X_train, y_train)
pred = model.predict(X_test)Modelele prezic, nu transformă. predict întoarce clasa sau valoarea pentru fiecare rând.
2Ai confundat scaler-ul cu modelul
X_test_s = model.transform(X_test)X_test_s = scaler.transform(X_test)
pred = model.predict(X_test_s)Datele noi trec întâi prin scaler (transform), apoi prin model (predict).
3fit_transform pe model
pred = LogisticRegression().fit_transform(X, y)pred = LogisticRegression().fit(X, y).predict(X)fit_transform e doar pentru transformatoare. La model, antrenezi cu fit, apoi prezici cu predict.
Repară eroarea, direct în pagină
Codul de mai jos dă AttributeError: 'LogisticRegression' object has no attribute 'transform'. Datele noi trebuie scalate cu scaler-ul și apoi date modelului pentru predicție. Repară ultimele rânduri, ca programul să afișeze decizia pentru cei doi clienți.
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
# venit (mii lei), datorii (mii lei) -> credit aprobat (1) sau nu (0)
X = [[3, 20], [4, 15], [5, 18], [9, 2], [10, 1], [12, 3]]
y = [0, 0, 0, 1, 1, 1]
scaler = StandardScaler().fit(X)
model = LogisticRegression().fit(scaler.transform(X), y)
nou = [[4, 16], [11, 2]]
print("Decizii:", model.transform(nou).tolist())Decizii: [0, 1]
Indiciu
Folosește scaler.transform(nou) și apoi model.predict(...).
Reparația
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
# venit (mii lei), datorii (mii lei) -> credit aprobat (1) sau nu (0)
X = [[3, 20], [4, 15], [5, 18], [9, 2], [10, 1], [12, 3]]
y = [0, 0, 0, 1, 1, 1]
scaler = StandardScaler().fit(X)
model = LogisticRegression().fit(scaler.transform(X), y)
nou = [[4, 16], [11, 2]]
print("Decizii:", model.predict(scaler.transform(nou)).tolist())De ce merge
Scaler-ul are transform: aduce clienții noi la aceeași scară ca datele de antrenare. Modelul are predict: primește datele scalate și întoarce clasa. Primul client are venit mic și datorii mari, deci e respins (0), iar al doilea e aprobat (1).
Alte forme ale mesajului
AttributeError: 'LogisticRegression' object has no attribute 'fit_transform'AttributeError: 'RandomForestClassifier' object has no attribute 'transform'AttributeError: 'LinearRegression' object has no attribute 'fit_transform'
Cum o eviți pe viitor
Pune preprocesarea și modelul într-un Pipeline: apelezi doar fit și predict, iar pipeline-ul aplică singur transform pe pașii intermediari. Denumește clar variabilele (scaler, model) și nu le refolosi. Reține: tot ce schimbă datele are transform, tot ce dă un răspuns are predict.
Întrebări frecvente
Am văzut transform la un Pipeline. De ce acolo merge?
Un Pipeline are transform doar dacă ultimul pas e un transformator. Dacă ultimul pas e un model, folosești predict.
Ce face fit_predict?
Antrenează și întoarce predicțiile pe aceleași date. Există la clustering (KMeans, DBSCAN) și la detecția de anomalii, nu la regresia logistică.
Erori înrudite
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. TypeError: All intermediate steps should be transformers and implement fit and transform or be the string 'passthrough' 'LogisticRegression()' (type <class 'sklearn.linear_model._logistic.LogisticRegression'>) doesn't Într-un Pipeline, toți pașii în afară de ultimul trebuie să fie transformatori (scaler, encoder, imputer), iar modelul trebuie să fie ultimul. Aici modelul a fost pus înaintea scaler-ului. Mută modelul la final: Pipeline([('scaler', StandardScaler()), ('model', LogisticRegression())]). 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. 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.
