InvalidParameterError: The 'y_pred' parameter of r2_score must be an array-like. Got LinearRegression() instead.
Ai dat metricii modelul în loc de predicții, de exemplu `r2_score(y_test, model)`. Metricile compară două liste de valori: cele reale și cele prezise. Calculează întâi `pred = model.predict(X_test)` și scrie `r2_score(y_test, pred)`.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Mesajul are trei bucăți: parametrul ('y_pred'), funcția (r2_score) și ce ai dat de fapt (LinearRegression()). scikit-learn verifică tipul fiecărui argument înainte de calcul și îți spune că a așteptat un „array-like” (listă, array numpy, Series), dar a primit obiectul model.
Greșeala apare când amesteci cele două stiluri de evaluare: model.score(X_test, y_test) primește modelul implicit, pe când funcțiile din sklearn.metrics (r2_score, accuracy_score, mean_squared_error, f1_score) primesc doar valori. Tot aici ajungi dacă inversezi argumentele și pui X_test acolo unde trebuie y_pred, sau dacă dai funcția model.predict fără paranteze.
În versiunile mai vechi mesajul era TypeError: Expected sequence or array-like, got <class '...LinearRegression'>.
De ce apare: cauzele frecvente
1Modelul în loc de predicții
r2_score(y_test, model)pred = model.predict(X_test)
r2_score(y_test, pred)Metrica are nevoie de valorile prezise, nu de obiectul care le poate produce.
2Metoda fără paranteze
accuracy_score(y_test, model.predict)accuracy_score(y_test, model.predict(X_test))model.predict fără paranteze este funcția însăși; abia apelul cu X_test întoarce predicțiile.
3Stilul score amestecat cu metrics
mean_squared_error(model, X_test, y_test)mean_squared_error(y_test, model.predict(X_test))Doar scorerele (get_scorer, model.score) primesc modelul; funcțiile din metrics primesc (y_true, y_pred).
Repară eroarea, direct în pagină
Codul de mai jos dă InvalidParameterError: The 'y_pred' parameter of r2_score must be an array-like. Got LinearRegression() instead., pentru că metrica primește modelul. Calculează predicțiile pe X_test și dă-le metricii, ca programul să afișeze scorul R² și eroarea medie absolută.
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
X_train = [[1], [2], [3], [4], [5], [6]]
y_train = [10, 20, 30, 40, 50, 60]
X_test = [[7], [8]]
y_test = [72, 78]
model = LinearRegression().fit(X_train, y_train)
print("R2:", round(r2_score(y_test, model), 2))
print("MAE:", round(mean_absolute_error(y_test, model), 2))R2: 0.56 MAE: 2.0
Indiciu
Fă pred = model.predict(X_test) și folosește pred în ambele metrici.
Reparația
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
X_train = [[1], [2], [3], [4], [5], [6]]
y_train = [10, 20, 30, 40, 50, 60]
X_test = [[7], [8]]
y_test = [72, 78]
model = LinearRegression().fit(X_train, y_train)
pred = model.predict(X_test)
print("R2:", round(r2_score(y_test, pred), 2))
print("MAE:", round(mean_absolute_error(y_test, pred), 2))De ce merge
Modelul a învățat y = 10 × x, deci prezice 70 și 80 pentru test. pred este array-ul cu aceste valori, iar metricile îl compară cu valorile reale 72 și 78: eroarea medie absolută este 2, iar R² arată cât din variație e explicată. Metricile au nevoie de numere, nu de model.
Alte forme ale mesajului
InvalidParameterError: The 'y_pred' parameter of accuracy_score must be an array-like or a sparse matrix. Got LogisticRegression() instead.InvalidParameterError: The 'y_pred' parameter of mean_squared_error must be an array-like. Got <bound method LinearModel.predict of LinearRegression()> instead.TypeError: Expected sequence or array-like, got <class 'sklearn.linear_model._base.LinearRegression'>
Cum o eviți pe viitor
Scrie evaluarea în doi pași, mereu la fel: pred = model.predict(X_test), apoi metrica(y_test, pred). Ordinea argumentelor la toate metricile este (y_true, y_pred): întâi realitatea, apoi predicția. Dacă vrei un singur pas, folosește model.score(X_test, y_test), care știe singur să prezică. În cross_val_score și GridSearchCV dai metrica prin nume (scoring="r2"), iar scikit-learn face singur predicțiile.
Întrebări frecvente
Contează ordinea dintre y_test și pred?
Da, la multe metrici. r2_score(pred, y_test) dă alt număr decât r2_score(y_test, pred), iar la precision și recall rolurile se inversează. Pune mereu valorile reale primele.
Ce e InvalidParameterError?
O excepție a lui scikit-learn (subclasă a lui ValueError și TypeError) aruncată când un argument are tip sau valoare nepermisă. Mesajul spune exact ce parametru, ce se aștepta și ce ai dat.
Erori înrudite
TypeError: LinearModel.predict() takes 2 positional arguments but 3 were given Ai dat lui `predict` două argumente, de obicei `model.predict(X_test, y_test)`. `predict` primește doar datele de intrare și întoarce predicțiile; etichetele reale le folosești separat, la metrică. Scrie `pred = model.predict(X_test)` și apoi `accuracy_score(y_test, pred)` sau `model.score(X_test, y_test)`. ValueError: Classification metrics can't handle a mix of binary and continuous targets Ai dat unei metrici de clasificare (accuracy_score, f1_score, confusion_matrix) probabilități sau scoruri în loc de clase. Compară y_true cu model.predict(X), nu cu predict_proba, sau transformă probabilitățile în clase cu un prag (p >= 0.5). 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. 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.
