...
Eroare Machine Learning · Modele: convergență, k-NN, k-means

ConvergenceWarning: Number of distinct clusters (2) found smaller than n_clusters (3). Possibly due to duplicate points in X.

Pe scurt

Ai cerut lui KMeans mai multe grupuri decât puncte diferite există în date (de exemplu 3 grupuri, dar doar 2 valori distincte, repetate). Scade n_clusters la numărul de puncte distincte sau verifică datele: rânduri duplicate, coloane constante ori o scalare care a făcut valorile identice.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

KMeans pornește cu n_clusters centri și mută fiecare centru în media punctelor care îi aparțin. Dacă datele au mai puține puncte distincte decât grupurile cerute, unii centri ajung să coincidă sau rămân fără puncte, deci la final sunt mai puține grupuri reale decât ai cerut. Mesajul îți spune exact câte a găsit (2) față de câte ai cerut (3) și îți propune cauza obișnuită: puncte duplicate.

E un avertisment, nu o eroare: modelul se antrenează, dar unul dintre grupuri e gol sau identic cu altul, deci rezultatul nu înseamnă ce crezi. Cauze: set mic cu multe rânduri repetate, o coloană categorică codificată care are doar câteva valori, date rotunjite prea mult sau o coloană greșită (de exemplu un ID constant). Numără punctele distincte cu np.unique(X, axis=0) sau df.drop_duplicates().

De ce apare: cauzele frecvente

1Mai multe grupuri decât puncte distincte

Greșit
PYTHON
X = [[1, 1], [1, 1], [8, 8], [8, 8]]
KMeans(n_clusters=3, n_init=10).fit(X)
Corect
PYTHON
X = [[1, 1], [1, 1], [8, 8], [8, 8]]
KMeans(n_clusters=2, n_init=10).fit(X)

Sunt doar două puncte distincte, deci pot exista cel mult două grupuri reale.

2Rânduri duplicate din date

Greșit
PYTHON
KMeans(n_clusters=4).fit(df[["oras_cod", "segment"]])
Corect
PYTHON
print(len(df[["oras_cod", "segment"]].drop_duplicates()))
KMeans(n_clusters=4).fit(df[["oras_cod", "segment", "suma", "frecventa"]])

Cu doar două coloane categorice există puține combinații distincte. Adaugă coloanele care diferențiază cu adevărat clienții.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ConvergenceWarning: Number of distinct clusters (2) found smaller than n_clusters (3)., pentru că datele au doar două profiluri distincte de clienți, repetate. Repară numărul de grupuri, ca programul să afișeze câte profiluri distincte există și eticheta fiecărui client.

Codul care dă eroarea
PYTHON
import warnings
import numpy as np
from sklearn.cluster import KMeans
from sklearn.exceptions import ConvergenceWarning

warnings.simplefilter("error", ConvergenceWarning)

# comenzi pe luna, suma medie (sute lei)
X = np.array([[1, 2], [1, 2], [1, 2], [8, 9], [8, 9], [8, 9]])

km = KMeans(n_clusters=3, n_init=1, random_state=0).fit(X)
print("Profiluri distincte:", len(np.unique(X, axis=0)))
print("Grupuri:", km.labels_.tolist())
După reparație, programul afișează
Profiluri distincte: 2
Grupuri: [1, 1, 1, 0, 0, 0]
Indiciu

Folosește n_clusters=2.

Alte forme ale mesajului

  • ConvergenceWarning: Number of distinct clusters (1) found smaller than n_clusters (2). Possibly due to duplicate points in X.
  • ConvergenceWarning: Number of distinct clusters (3) found smaller than n_clusters (5). Possibly due to duplicate points in X.

Cum o eviți pe viitor

Înainte de clustering, verifică np.unique(X, axis=0).shape[0]: n_clusters trebuie să fie mai mic decât numărul de puncte distincte. Folosește coloanele care descriu cu adevărat diferențele dintre exemple și alege numărul de grupuri cu metoda cotului sau cu scorul siluetă, nu la întâmplare.

Întrebări frecvente

Pot ignora avertismentul?

Rezultatul e valid tehnic, dar unul dintre grupuri e gol sau dublează altul. Dacă îl folosești în raport (de exemplu „3 segmente de clienți”), vei avea un segment fals. Mai bine scazi n_clusters.

De ce apare doar la unele rulări?

Dacă punctele distincte sunt aproape cât grupurile, depinde de pozițiile inițiale ale centrilor. Cu random_state fixat, rezultatul se repetă la fel.

Erori înrudite

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

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.