FutureWarning: 'penalty' was deprecated in version 1.8 and will be removed in 1.10. To avoid this warning, leave 'penalty' set to its default value and use 'l1_ratio' or 'C' instead.
În scikit-learn 1.8, parametrul penalty al lui LogisticRegression e învechit. Regularizarea se alege acum cu l1_ratio (0 = L2, 1 = L1) și cu C (C=np.inf = fără regularizare). Șterge penalty=... și folosește echivalentul din mesaj.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Este un avertisment, nu o eroare: codul rulează, dar parametrul penalty va dispărea în versiunea 1.10, iar atunci același cod se va opri. Mesajul complet îți dă și tabelul de echivalențe: l1_ratio=0 în loc de penalty='l2', l1_ratio=1 în loc de penalty='l1' și C=np.inf în loc de penalty=None. Pentru elasticnet, alegi un l1_ratio între 0 și 1 și solver="saga".
Avertismentul apare la orice valoare dată explicit lui penalty, chiar și "l2", care era deja implicită. Dacă îl vezi în codul tău, ștergi parametrul și, unde e cazul, pui l1_ratio. Dacă îl vezi venind din codul altcuiva (o bibliotecă), poți aștepta o versiune nouă a ei. Ca să găsești toate locurile, rulează programul cu warnings.simplefilter("error", FutureWarning): fiecare avertisment devine o eroare cu linia exactă.
De ce apare: cauzele frecvente
1penalty="l2" scris explicit
LogisticRegression(penalty="l2", C=0.5)LogisticRegression(C=0.5)L2 este regularizarea implicită (l1_ratio=0), deci ajunge să ștergi parametrul.
2Regularizare L1
LogisticRegression(penalty="l1", solver="liblinear")LogisticRegression(l1_ratio=1, solver="liblinear")l1_ratio=1 înseamnă L1 pur. Solverul rămâne unul care suportă L1.
3Fără regularizare
LogisticRegression(penalty=None)import numpy as np
LogisticRegression(C=np.inf)C este inversul forței regularizării, deci C infinit înseamnă că regularizarea nu mai are efect.
Repară eroarea, direct în pagină
Codul de mai jos dă FutureWarning: 'penalty' was deprecated in version 1.8 (avertismentele sunt transformate în erori), pentru că scrie explicit penalty="l2". Șterge parametrul învechit, păstrând aceeași regularizare, ca programul să afișeze acuratețea și probabilitatea de cumpărare pentru 10 minute.
import warnings
from sklearn.linear_model import LogisticRegression
warnings.simplefilter("error", FutureWarning)
X = [[1], [2], [3], [4], [16], [17], [18], [19]]
y = [0, 0, 0, 0, 1, 1, 1, 1]
model = LogisticRegression(penalty="l2", C=0.5).fit(X, y)
print("Acuratete:", model.score(X, y))
print("P(cumpara) la 10 minute:", round(model.predict_proba([[10]])[0, 1], 2))Acuratete: 1.0 P(cumpara) la 10 minute: 0.5
Indiciu
L2 e implicită: lasă doar LogisticRegression(C=0.5).
Reparația
import warnings
from sklearn.linear_model import LogisticRegression
warnings.simplefilter("error", FutureWarning)
X = [[1], [2], [3], [4], [16], [17], [18], [19]]
y = [0, 0, 0, 0, 1, 1, 1, 1]
model = LogisticRegression(C=0.5).fit(X, y)
print("Acuratete:", model.score(X, y))
print("P(cumpara) la 10 minute:", round(model.predict_proba([[10]])[0, 1], 2))De ce merge
În scikit-learn 1.8, regularizarea se alege cu l1_ratio și C, iar orice valoare dată explicit lui penalty produce avertismentul. L2 este deja implicită (l1_ratio=0), deci ștergând penalty="l2" modelul rămâne exact același. 10 minute este la mijloc între cele două grupuri, deci probabilitatea de cumpărare iese în jur de 0.5.
Alte forme ale mesajului
FutureWarning: 'penalty' was deprecated in version 1.8 and will be removed in 1.10. To avoid this warning, leave 'penalty' set to its default value and use 'l1_ratio' or 'C' instead. Use l1_ratio=0 instead of penalty='l2', l1_ratio=1 instead of penalty='l1', and C=np.inf instead of penalty=None.
Cum o eviți pe viitor
Citește avertismentele FutureWarning imediat ce apar: ele îți spun dinainte ce se va strica la următoarea actualizare și cum să repari. În proiecte, rulează testele cu avertismentele transformate în erori (warnings.simplefilter("error", FutureWarning) sau pytest -W error::FutureWarning) și fixează versiunea lui scikit-learn în requirements.txt.
Întrebări frecvente
Pot ignora avertismentul?
Acum, da: rezultatul e corect. Dar la versiunea 1.10 parametrul dispare, iar codul se va opri cu unexpected keyword argument 'penalty'. Schimbarea e mică, merită făcută acum.
Codul meu trebuie să meargă și pe versiuni mai vechi. Ce fac?
l1_ratio există de mult, dar în versiunile vechi avea efect doar cu penalty="elasticnet". Pentru L2 implicit, cel mai sigur e să nu dai niciun parametru: merge identic peste tot. Pentru L1 pe versiuni diferite, verifică sklearn.__version__ și alege parametrii în funcție de ea.
Erori înrudite
ValueError: Solver lbfgs supports only 'l2' or None penalties, got l1 penalty. Ai cerut regularizare L1 (penalty="l1" sau l1_ratio=1) unei regresii logistice cu solverul implicit lbfgs, care știe doar L2. Alege un solver care suportă L1: solver="liblinear" (date mici, două clase) sau solver="saga" (date mari, cu scalare). TypeError: LogisticRegression.__init__() got an unexpected keyword argument 'multi_class' Parametrul multi_class al lui LogisticRegression a fost scos în scikit-learn 1.8 (era învechit din 1.5). Șterge-l: pentru mai multe clase, modelul folosește oricum varianta multinomială. Dacă ai nevoie de „una contra restului”, folosește OneVsRestClassifier(LogisticRegression()). 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.
