InvalidParameterError: The 'max_depth' parameter of DecisionTreeClassifier must be an int in the range [1, inf) or None. Got 0 instead.
Parametrul are o valoare nepermisă: max_depth trebuie să fie un întreg de la 1 în sus sau None (fără limită), iar tu ai dat 0. Mesajul îți spune exact ce valori sunt acceptate; alege una din interval.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Din versiunea 1.2, scikit-learn verifică toți parametrii la fit și, dacă unul are un tip sau o valoare nepermisă, aruncă InvalidParameterError (o subclasă a lui ValueError). Mesajul are mereu aceeași structură: numele parametrului, modelul, ce valori sunt acceptate și ce ai dat (Got 0 instead.).
Cazuri frecvente:
max_depth=0(adâncimea minimă e 1; pentru fără limită,None);n_estimators=0sau o valoare float, de exemplu100.0;criterion="gini "cu spațiu sau"mse"(vechiul nume, înlocuit cu"squared_error");test_sizesauCnegative,solverscris greșit;- valori generate într-o buclă (
range(0, 10)) sau o grilă de căutare care începe de la 0.
Eroarea apare la fit, nu la crearea modelului, deci poate apărea în mijlocul unei căutări GridSearchCV.
De ce apare: cauzele frecvente
1Adâncime 0 pornită dintr-o buclă
for d in range(0, 5):
DecisionTreeClassifier(max_depth=d).fit(X, y)for d in range(1, 5):
DecisionTreeClassifier(max_depth=d).fit(X, y)Adâncimea minimă a unui arbore util este 1; bucla trebuie să pornească de la 1.
2Nume vechi de criteriu
DecisionTreeRegressor(criterion="mse").fit(X, y)DecisionTreeRegressor(criterion="squared_error").fit(X, y)"mse" a fost redenumit "squared_error"; mesajul îți listează valorile acceptate.
3Număr de arbori de tip float
RandomForestClassifier(n_estimators=1e2).fit(X, y)RandomForestClassifier(n_estimators=100).fit(X, y)1e2 este un float în Python; parametrul cere un întreg.
Repară eroarea, direct în pagină
Codul de mai jos dă InvalidParameterError: The 'max_depth' parameter of DecisionTreeClassifier must be an int in the range [1, inf) or None. Got 0 instead., pentru că bucla pornește de la adâncimea 0. Repară bucla ca să încerce adâncimile 1, 2 și 3, iar programul să afișeze acuratețea pentru fiecare.
from sklearn.tree import DecisionTreeClassifier
# varsta, venit (mii lei)
X = [[22, 2.5], [25, 3.0], [47, 8.0], [52, 9.5], [36, 5.0], [29, 6.5], [41, 4.0], [33, 7.5]]
y = [0, 0, 1, 1, 0, 1, 0, 1]
for adancime in range(0, 3):
arbore = DecisionTreeClassifier(max_depth=adancime, random_state=0).fit(X, y)
print("Adancime", adancime, "- acuratete:", arbore.score(X, y))Adancime 1 - acuratete: 1.0 Adancime 2 - acuratete: 1.0 Adancime 3 - acuratete: 1.0
Indiciu
Folosește range(1, 4).
Reparația
from sklearn.tree import DecisionTreeClassifier
# varsta, venit (mii lei)
X = [[22, 2.5], [25, 3.0], [47, 8.0], [52, 9.5], [36, 5.0], [29, 6.5], [41, 4.0], [33, 7.5]]
y = [0, 0, 1, 1, 0, 1, 0, 1]
for adancime in range(1, 4):
arbore = DecisionTreeClassifier(max_depth=adancime, random_state=0).fit(X, y)
print("Adancime", adancime, "- acuratete:", arbore.score(X, y))De ce merge
Un arbore de adâncime 0 n-ar avea nicio întrebare, doar o frunză, iar scikit-learn cere explicit max_depth de la 1 în sus (sau None pentru nelimitat). range(0, 3) începea cu 0, deci prima antrenare se oprea. range(1, 4) dă adâncimile 1, 2 și 3. Aici, o singură întrebare despre venit separă deja perfect cele două clase, deci acuratețea e 1.0 de la prima adâncime; pe date reale, adâncimea mai mare crește riscul de supraantrenare.
Alte forme ale mesajului
sklearn.utils._param_validation.InvalidParameterError: The 'n_estimators' parameter of RandomForestClassifier must be an int in the range [1, inf). Got 0 instead.InvalidParameterError: The 'criterion' parameter of DecisionTreeRegressor must be a str among {'squared_error', 'friedman_mse', 'absolute_error', 'poisson'}. Got 'mse' instead.InvalidParameterError: The 'solver' parameter of LogisticRegression must be a str among {'lbfgs', 'saga', 'newton-cholesky', 'newton-cg', 'liblinear', 'sag'}. Got 'abc' instead.
Cum o eviți pe viitor
Citește mesajul până la capăt: îți dă lista exactă de valori acceptate. În grilele de căutare și în bucle, pornește de la valori valide (range(1, ...), [None, 3, 5, 10]). Scrie întregii ca întregi (100, nu 1e2). După o actualizare de versiune, verifică parametrii care au fost redenumiți.
Întrebări frecvente
De ce nu primesc eroarea când creez modelul?
Constructorii din scikit-learn doar memorează parametrii, fără să-i verifice. Validarea are loc la fit, ca să poți crea modele și grile flexibil și să schimbi parametrii cu set_params.
Pot prinde eroarea cu except ValueError?
Da. InvalidParameterError moștenește din ValueError (și din TypeError), deci un except ValueError o prinde.
Erori înrudite
TypeError: LogisticRegression.__init__() got an unexpected keyword argument 'max_iters' Ai dat modelului un parametru care nu există, aici max_iters (corect: max_iter). De obicei e o greșeală de scriere sau un parametru din altă bibliotecă ori dintr-o versiune veche. Verifică numele în documentație sau cu Model().get_params(). ValueError: Invalid parameter 'C' for estimator Pipeline(steps=[('scaler', StandardScaler()), ('model', LogisticRegression())]). Valid parameters are: ['memory', 'steps', 'transform_input', 'verbose']. Ai dat lui GridSearchCV (sau lui set_params) un parametru al modelului direct pipeline-ului. Într-un pipeline, parametrii pașilor se scriu cu numele pasului și două underscore-uri: 'model__C' în loc de 'C'. 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.
