ConvergenceWarning: Number of distinct clusters (2) found smaller than n_clusters (3). Possibly due to duplicate points in X.
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
X = [[1, 1], [1, 1], [8, 8], [8, 8]]
KMeans(n_clusters=3, n_init=10).fit(X)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
KMeans(n_clusters=4).fit(df[["oras_cod", "segment"]])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 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.
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())Profiluri distincte: 2 Grupuri: [1, 1, 1, 0, 0, 0]
Indiciu
Folosește n_clusters=2.
Reparația
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=2, n_init=1, random_state=0).fit(X)
print("Profiluri distincte:", len(np.unique(X, axis=0)))
print("Grupuri:", km.labels_.tolist())De ce merge
Datele au doar două puncte distincte, fiecare repetat de trei ori, deci KMeans nu poate forma trei grupuri reale: un centru ar rămâne fără puncte proprii. Cu n_clusters=2, fiecare profil devine un grup. Numerele grupurilor (0 sau 1) sunt doar etichete: contează că primii trei clienți sunt împreună, iar ultimii trei, în celălalt grup.
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
ValueError: n_samples=3 should be >= n_clusters=4. Ai cerut lui KMeans mai multe grupuri (n_clusters) decât puncte ai în date: fiecare grup are nevoie de cel puțin un punct. Micșorează n_clusters sau verifică dacă X are cu adevărat atâtea rânduri câte crezi (de exemplu că nu e transpus). ValueError: Number of labels is 1. Valid values are 2 to n_samples - 1 (inclusive) silhouette_score (sau calinski_harabasz_score, davies_bouldin_score) a primit etichete cu un singur grup. Scorul compară grupurile între ele, deci are nevoie de cel puțin 2 și de cel mult n_samples - 1. Pornește bucla de alegere a lui k de la 2: range(2, 8). ConvergenceWarning: lbfgs failed to converge after 100 iteration(s) (status=1): STOP: TOTAL NO. OF ITERATIONS REACHED LIMIT Algoritmul de optimizare al regresiei logistice (lbfgs) s-a oprit la limita de iterații înainte să găsească soluția. E un avertisment, modelul tot e antrenat, dar poate fi slab. Scalează datele cu StandardScaler și, dacă e nevoie, mărește max_iter (de exemplu 1000). 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.
