...
Eroare Machine Learning · Împărțirea datelor și validarea încrucișată

InvalidParameterError: The 'scoring' parameter of cross_val_score must be a str among {...}, a callable or None. Got 'f1_scor' instead.

Pe scurt

Numele metricii din `scoring=` nu există în scikit-learn: e scris greșit sau nu e numele de scorer (de exemplu `f1_scor`, `accuracy_score`, `mse`). Folosește un nume din `sklearn.metrics.get_scorer_names()`, cum ar fi `"f1"`, `"accuracy"`, `"roc_auc"` sau `"neg_mean_squared_error"`.

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

Ce înseamnă

cross_val_score, GridSearchCV, RandomizedSearchCV, cross_validate și learning_curve primesc metrica prin nume, ca text. Numele sunt fixe și diferă de numele funcțiilor din sklearn.metrics: funcția f1_score are scorer-ul "f1", accuracy_score are "accuracy", mean_squared_error are "neg_mean_squared_error". Lista dintre acolade din mesaj conține toate numele valide, de aceea mesajul e foarte lung; caută în el numele apropiat de ce voiai.

Prefixul neg_ apare la erori: scikit-learn maximizează mereu scorul, deci erorile sunt date cu semn minus. Nu există "mse", "rmse" sau "mae".

În versiunile mai vechi, aceeași greșeală dădea ValueError: 'f1_scor' is not a valid scoring value. Use sklearn.metrics.get_scorer_names() to get valid options., mesaj pe care îl vezi și azi cu get_scorer("f1_scor").

De ce apare: cauzele frecvente

1Nume de funcție în loc de nume de scorer

Greșit
PYTHON
cross_val_score(model, X, y, scoring="f1_score")
Corect
PYTHON
cross_val_score(model, X, y, scoring="f1")

Scorer-ul pentru f1_score se numește "f1" (și "f1_macro", "f1_weighted" pentru multiclasă).

2Prescurtări care nu există

Greșit
PYTHON
GridSearchCV(model, grila, scoring="mse")
Corect
PYTHON
GridSearchCV(model, grila, scoring="neg_mean_squared_error")

Erorile se dau cu prefixul neg_, pentru că scikit-learn caută mereu scorul cel mai mare.

3Metrică fără scorer predefinit

Greșit
PYTHON
cross_val_score(model, X, y, scoring="fbeta")
Corect
PYTHON
from sklearn.metrics import fbeta_score, make_scorer
cross_val_score(model, X, y, scoring=make_scorer(fbeta_score, beta=2))

Pentru metrici cu parametri construiești scorer-ul cu make_scorer.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă InvalidParameterError: The 'scoring' parameter of cross_val_score must be a str among ... Got 'f1_scor' instead., pentru că numele metricii e scris greșit. Folosește numele corect al scorer-ului F1, ca programul să afișeze scorurile pe fold și media lor.

Codul care dă eroarea
PYTHON
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

# minute pe site -> a cumparat (1) sau nu (0)
X = [[1], [2], [3], [4], [5], [20], [22], [25], [27], [30]]
y = [0, 0, 0, 0, 0, 1, 1, 1, 1, 1]

scoruri = cross_val_score(LogisticRegression(), X, y, cv=5, scoring="f1_scor")
print("F1 pe fold:", scoruri.round(2).tolist())
print("Media:", round(scoruri.mean(), 2))
După reparație, programul afișează
F1 pe fold: [1.0, 1.0, 1.0, 1.0, 1.0]
Media: 1.0
Indiciu

Scorer-ul se numește simplu "f1".

Alte forme ale mesajului

  • ValueError: 'f1_scor' is not a valid scoring value. Use sklearn.metrics.get_scorer_names() to get valid options.
  • InvalidParameterError: The 'scoring' parameter of GridSearchCV must be a str among {...}, a callable, an instance of 'list', an instance of 'tuple', an instance of 'dict' or None. Got 'acuratete' instead.
  • ValueError: 'mse' is not a valid scoring value. Use sklearn.metrics.get_scorer_names() to get valid options.

Cum o eviți pe viitor

Ține la îndemână câteva nume corecte: "accuracy", "f1", "precision", "recall", "roc_auc" la clasificare și "r2", "neg_mean_absolute_error", "neg_mean_squared_error", "neg_root_mean_squared_error" la regresie. Când nu ești sigur, rulează sorted(get_scorer_names()). Pentru erori, inversează semnul la afișare: -scoruri.mean(). Dacă ai nevoie de o metrică proprie, nu inventa un nume: construiește scorer-ul cu make_scorer(functia_ta) și dă-l direct în scoring=.

Întrebări frecvente

De ce scorurile MSE ies negative?

Pentru că scorer-ul neg_mean_squared_error întoarce MSE cu minus, ca o valoare mai mare să însemne model mai bun. Pune un minus în față când afișezi eroarea.

Pot da mai multe metrici odată?

Da, la cross_validate și GridSearchCV: scoring=["accuracy", "f1"]. La GridSearchCV trebuie atunci să spui și după care alegi modelul, cu refit="f1".

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.