NotFittedError: This LinearRegression instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
Ai apelat predict, transform sau score pe un model (sau scaler) care încă n-a fost antrenat. Apelează întâi fit(X, y) pe același obiect, apoi predict. Verifică să nu fi creat un obiect nou între timp sau să fi antrenat altă variabilă.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Orice obiect din scikit-learn (model, scaler, encoder) are două etape: îl creezi (LinearRegression()), apoi îl antrenezi cu fit. Abia după fit are ce să folosească: coeficienții, media și deviația de scalare, categoriile. Dacă sari peste fit, metodele predict, transform, predict_proba sau score nu au ce calcula și aruncă NotFittedError. Numele din mesaj (LinearRegression, StandardScaler, OneHotEncoder) îți spune ce obiect nu e antrenat.
Cauzele clasice: ai uitat fit; ai antrenat un obiect și prezici cu altul (de exemplu ai scris din nou model = LinearRegression() după fit); ai antrenat un model într-o funcție și ai folosit în afara ei o variabilă diferită; sau ai apelat fit pe o copie (clone, un model din listă) și prezici cu originalul.
De ce apare: cauzele frecvente
1fit uitat
model = LinearRegression()
print(model.predict([[70]]))model = LinearRegression()
model.fit(X, y)
print(model.predict([[70]]))fit calculează coeficienții, iar predict îi folosește. Fără fit, nu există coeficienți.
2Obiect recreat după antrenare
model = LinearRegression().fit(X, y)
# ...
model = LinearRegression()
model.predict(X_nou)model = LinearRegression().fit(X, y)
# ...
model.predict(X_nou)LinearRegression() creează mereu un obiect nou, neantrenat. A doua atribuire a înlocuit modelul antrenat.
3Scaler folosit cu transform fără fit
scaler = StandardScaler()
X_test_s = scaler.transform(X_test)scaler = StandardScaler()
X_train_s = scaler.fit_transform(X_train)
X_test_s = scaler.transform(X_test)Scaler-ul învață media și deviația pe train, cu fit_transform, apoi aplică aceleași valori pe test.
Repară eroarea, direct în pagină
Codul de mai jos dă NotFittedError: This StandardScaler instance is not fitted yet., pentru că scaler-ul e folosit cu transform înainte să fi învățat ceva. Repară-l: antrenează scaler-ul pe datele de antrenare cu fit_transform și abia apoi transformă datele de test, ca programul să afișeze valorile scalate ale testului.
import numpy as np
from sklearn.preprocessing import StandardScaler
X_train = np.array([[50.0], [60.0], [70.0], [80.0]])
X_test = np.array([[65.0], [90.0]])
scaler = StandardScaler()
X_train_s = scaler.transform(X_train)
X_test_s = scaler.transform(X_test)
print("Media invatata:", scaler.mean_[0])
print("Test scalat:", np.round(X_test_s.ravel(), 3).tolist())Media invatata: 65.0 Test scalat: [0.0, 2.236]
Indiciu
Prima transformare trebuie să fie scaler.fit_transform(X_train).
Reparația
import numpy as np
from sklearn.preprocessing import StandardScaler
X_train = np.array([[50.0], [60.0], [70.0], [80.0]])
X_test = np.array([[65.0], [90.0]])
scaler = StandardScaler()
X_train_s = scaler.fit_transform(X_train)
X_test_s = scaler.transform(X_test)
print("Media invatata:", scaler.mean_[0])
print("Test scalat:", np.round(X_test_s.ravel(), 3).tolist())De ce merge
StandardScaler scade media și împarte la deviația standard, dar le află abia la fit. Înainte de asta nu are nicio valoare de folosit, deci transform aruncă NotFittedError. fit_transform(X_train) învață media 65 și deviația din datele de antrenare și le aplică pe loc. Apoi transform(X_test) folosește exact aceleași valori: 65 m² devine 0, iar 90 m² devine un număr pozitiv. Nu apela fit pe test, ca să nu „vezi” datele de test la antrenare.
Alte forme ale mesajului
NotFittedError: This StandardScaler instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.NotFittedError: This DecisionTreeClassifier instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.sklearn.exceptions.NotFittedError: This Pipeline instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
Cum o eviți pe viitor
Folosește forma scurtă model = LinearRegression().fit(X, y), care creează și antrenează în aceeași linie: fit întoarce chiar modelul. Nu refolosi același nume de variabilă pentru un obiect nou. Pune scaler-ul și modelul într-un Pipeline, ca un singur fit să le antreneze pe amândouă. Dacă nu ești sigur, sklearn.utils.validation.check_is_fitted(model) îți spune dacă obiectul e antrenat.
Întrebări frecvente
De ce merge model = LinearRegression().fit(X, y)?
Pentru că fit antrenează obiectul și îl întoarce, deci variabila primește chiar modelul antrenat. E o convenție a tuturor obiectelor din scikit-learn.
Am antrenat modelul în altă celulă din notebook. De ce nu merge?
Probabil ai rulat din nou celula care creează modelul (model = LinearRegression()) după cea cu fit, sau ai repornit kernelul. Rulează celulele în ordine, de sus în jos.
Erori înrudite
AttributeError: 'LinearRegression' object has no attribute 'coef_' Atributele cu underscore la final (coef_, intercept_, classes_, feature_importances_) există doar după fit. Antrenează modelul înainte să le citești. Dacă modelul e antrenat, verifică numele atributului: unele modele nu au coef_ (de exemplu arborii). TypeError: LinearRegression.fit() missing 1 required positional argument: 'y' Ai apelat fit doar cu X, fără țintă. Modelele supervizate (regresie, clasificare) au nevoie de ambele: model.fit(X, y). Doar modelele nesupervizate (KMeans, PCA, StandardScaler) se antrenează cu fit(X). 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.
