AttributeError: 'Pipeline' object has no attribute 'feature_importances_'
feature_importances_ aparține modelului (de exemplu RandomForestClassifier), nu Pipeline-ului care îl conține. Ia ultimul pas cu pipe[-1] sau pipe.named_steps["model"] și citește atributul de acolo; la GridSearchCV, folosește grid.best_estimator_.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Un Pipeline este un container: ține pașii (scaler, encoder, model) și le apelează pe rând la fit și predict. Metodele predict, score și predict_proba sunt transmise automat ultimului pas, dar atributele învățate, cele cu _ la final (feature_importances_, classes_ doar parțial, n_features_in_...), nu sunt toate copiate pe Pipeline. Așa că pipe.feature_importances_ nu există, chiar dacă pădurea din interior le are.
Accesezi pasul dorit după nume (pipe.named_steps["model"], unde numele este cel dat în Pipeline([...]) sau, la make_pipeline, numele clasei cu litere mici, de exemplu randomforestclassifier) ori după poziție (pipe[-1]). Atenție: dacă înainte de model ai un encoder care schimbă coloanele, importanțele corespund coloanelor de după encoder, ale căror nume le obții cu pipe[:-1].get_feature_names_out().
De ce apare: cauzele frecvente
1Atributul cerut direct pe Pipeline
pipe = make_pipeline(StandardScaler(), RandomForestClassifier())
pipe.fit(X, y)
print(pipe.feature_importances_)pipe = make_pipeline(StandardScaler(), RandomForestClassifier())
pipe.fit(X, y)
print(pipe[-1].feature_importances_)pipe[-1] este ultimul pas, adică pădurea aleatoare, care are atributul învățat.
2Pipeline într-un GridSearchCV
grid.fit(X, y)
print(grid.feature_importances_)grid.fit(X, y)
print(grid.best_estimator_.named_steps["model"].feature_importances_)best_estimator_ este Pipeline-ul cel mai bun, reantrenat pe toate datele, iar din el iei pasul model.
3Nume de pas greșit
pipe = make_pipeline(StandardScaler(), RandomForestClassifier())
pipe.named_steps["model"]pipe = make_pipeline(StandardScaler(), RandomForestClassifier())
pipe.named_steps["randomforestclassifier"]make_pipeline numește pașii după clasă, cu litere mici. Vezi numele cu list(pipe.named_steps).
Repară eroarea, direct în pagină
Codul de mai jos dă AttributeError: 'Pipeline' object has no attribute 'feature_importances_'. Repară-l: citește importanțele de la arborele de decizie din interiorul Pipeline-ului, ca programul să afișeze importanța fiecărei coloane.
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier
# venit (mii lei), varsta
X = [[2, 25], [3, 40], [8, 30], [9, 45], [2.5, 35], [7.5, 28]]
y = [0, 0, 1, 1, 0, 1]
pipe = Pipeline([("scaler", StandardScaler()), ("model", DecisionTreeClassifier(random_state=0))])
pipe.fit(X, y)
for nume, imp in zip(["venit", "varsta"], pipe.feature_importances_):
print(nume, round(imp, 2))venit 1.0 varsta 0.0
Indiciu
Folosește pipe.named_steps["model"].feature_importances_.
Reparația
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier
# venit (mii lei), varsta
X = [[2, 25], [3, 40], [8, 30], [9, 45], [2.5, 35], [7.5, 28]]
y = [0, 0, 1, 1, 0, 1]
pipe = Pipeline([("scaler", StandardScaler()), ("model", DecisionTreeClassifier(random_state=0))])
pipe.fit(X, y)
for nume, imp in zip(["venit", "varsta"], pipe.named_steps["model"].feature_importances_):
print(nume, round(imp, 2))De ce merge
Importanțele sunt învățate de arbore, nu de Pipeline, așa că le iei de la pasul numit model. Aici venitul separă singur cele două clase (sub 3 mii: 0, peste 7 mii: 1), deci arborele pune o singură întrebare, despre venit, și toată importanța (1.0) ajunge la el, iar vârsta primește 0.0.
Alte forme ale mesajului
AttributeError: 'GridSearchCV' object has no attribute 'feature_importances_'AttributeError: 'Pipeline' object has no attribute 'intercept_'AttributeError: 'Pipeline' object has no attribute 'tree_'
Cum o eviți pe viitor
Când construiești un Pipeline, dă pașilor nume scurte și clare (Pipeline([("prep", ...), ("model", ...)])), ca să-i poți accesa cu pipe.named_steps["model"]. Ține minte că Pipeline-ul transmite metodele (predict, score), dar pentru atributele învățate mergi la pas. La căutările de hiperparametri, folosește best_estimator_.
Întrebări frecvente
Ce diferență e între pipe[-1] și pipe.named_steps[...]?
Niciuna ca rezultat: amândouă întorc același obiect. pipe[-1] e mai scurt, iar named_steps e mai clar când ai mai mulți pași și vrei unul din mijloc.
Importanțele corespund coloanelor mele inițiale?
Doar dacă pașii de dinainte nu schimbă coloanele (de exemplu un scaler). Dacă ai OneHotEncoder, ai câte o importanță pentru fiecare coloană creată, iar numele lor le obții cu pipe[:-1].get_feature_names_out().
Erori înrudite
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). AttributeError: 'GridSearchCV' object has no attribute 'best_params_' best_params_, best_score_ și best_estimator_ apar abia după ce rulezi căutarea cu grid.fit(X, y). Ai creat GridSearchCV (sau RandomizedSearchCV), dar n-ai apelat fit, ori l-ai apelat pe alt obiect. Apelează fit înainte să citești rezultatele. ValueError: Invalid parameter 'C' for estimator Pipeline(steps=[('scaler', StandardScaler()), ('model', LogisticRegression())]). Valid parameters are: ['memory', 'steps', 'transform_input', 'verbose']. Ai dat lui GridSearchCV (sau lui set_params) un parametru al modelului direct pipeline-ului. Într-un pipeline, parametrii pașilor se scriu cu numele pasului și două underscore-uri: 'model__C' în loc de 'C'. 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.
