InvalidParameterError: The 'scoring' parameter of cross_val_score must be a str among {...}, a callable or None. Got 'f1_scor' instead.
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
cross_val_score(model, X, y, scoring="f1_score")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
GridSearchCV(model, grila, scoring="mse")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
cross_val_score(model, X, y, scoring="fbeta")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 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.
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))F1 pe fold: [1.0, 1.0, 1.0, 1.0, 1.0] Media: 1.0
Indiciu
Scorer-ul se numește simplu "f1".
Reparația
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")
print("F1 pe fold:", scoruri.round(2).tolist())
print("Media:", round(scoruri.mean(), 2))De ce merge
"f1" este numele oficial al scorer-ului pentru f1_score la clasificare binară. Cu el, cross_val_score antrenează modelul de 5 ori și calculează F1 pe fiecare fold de test. Clasele sunt bine separate, deci fiecare fold are scorul maxim.
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
ValueError: For multi-metric scoring, the parameter refit must be set to a scorer key or a callable to refit an estimator with the best parameter setting on the whole data and make the best_* attributes available for that metric. Ai dat lui GridSearchCV mai multe metrici în scoring, dar nu i-ai spus după care să aleagă cel mai bun model. Setează refit cu numele unei metrici (de exemplu refit="f1"), sau refit=False dacă vrei doar tabelul de rezultate. UserWarning: Scoring failed. The score on this train-test partition for these parameters will be set to nan. În timpul validării (cross_val_score, GridSearchCV), modelul s-a antrenat, dar calculul scorului pe o parte de test a dat eroare, așa că scorul e nan. Citește eroarea din „Details” de sub avertisment: de obicei un parametru prea mare pentru partea de train (n_neighbors) sau o metrică nepotrivită. ValueError: All the 5 fits failed. It is very likely that your model is misconfigured. cross_val_score, cross_validate sau GridSearchCV au încercat să antreneze modelul pe fiecare parte, iar toate antrenările au dat eroare. Citește mai jos, în același mesaj, secțiunea „fits failed with the following error”: acolo e eroarea reală (de exemplu un text în X sau un parametru greșit). 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.
