TypeError: got an unexpected keyword argument 'squared'
Parametrul squared al lui mean_squared_error (folosit cu squared=False pentru RMSE) a fost scos în scikit-learn 1.6. Folosește funcția nouă: from sklearn.metrics import root_mean_squared_error și rmse = root_mean_squared_error(y_true, y_pred).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Mult timp, RMSE (rădăcina erorii pătratice medii) se calcula cu mean_squared_error(y_true, y_pred, squared=False). În versiunea 1.4, scikit-learn a adăugat funcții separate, root_mean_squared_error și root_mean_squared_log_error, și a marcat squared ca învechit (cu un FutureWarning). Din 1.6 parametrul nu mai există, iar orice cod vechi, din tutoriale sau din proiecte scrise acum câțiva ani, dă această eroare.
Mesajul e scurt și nu spune numele funcției, pentru că parametrii funcțiilor din sklearn.metrics sunt verificați de un decorator comun. Uită-te în linia arătată: dacă vezi squared=, înlocuiește apelul. La validare încrucișată și GridSearchCV nu e nevoie de funcție: scorerul "neg_root_mean_squared_error" dă direct RMSE cu semn minus.
De ce apare: cauzele frecvente
1RMSE calculat în stilul vechi
from sklearn.metrics import mean_squared_error
rmse = mean_squared_error(y_test, y_pred, squared=False)from sklearn.metrics import root_mean_squared_error
rmse = root_mean_squared_error(y_test, y_pred)Funcția nouă face exact același calcul, fără parametrul scos.
2Varianta care merge în orice versiune
rmse = mean_squared_error(y_test, y_pred, squared=False)import numpy as np
rmse = np.sqrt(mean_squared_error(y_test, y_pred))Rădăcina pătrată din MSE este RMSE. Util dacă același cod rulează și pe versiuni vechi.
3Aceeași schimbare la eroarea logaritmică
mean_squared_log_error(y_test, y_pred, squared=False)from sklearn.metrics import root_mean_squared_log_error
root_mean_squared_log_error(y_test, y_pred)Și mean_squared_log_error a pierdut parametrul squared; are și ea o funcție separată pentru rădăcină.
Repară eroarea, direct în pagină
Codul de mai jos dă TypeError: got an unexpected keyword argument 'squared', pentru că folosește parametrul scos din mean_squared_error. Repară-l cu funcția nouă pentru RMSE, ca programul să afișeze MSE și RMSE.
from sklearn.metrics import mean_squared_error
# minute de livrare: reale si estimate
y_true = [30, 45, 25, 60, 40]
y_pred = [33, 41, 25, 54, 44]
print("MSE:", mean_squared_error(y_true, y_pred))
print("RMSE:", round(mean_squared_error(y_true, y_pred, squared=False), 2))MSE: 15.4 RMSE: 3.92
Indiciu
Importă root_mean_squared_error din sklearn.metrics și apelează-l cu (y_true, y_pred).
Reparația
from sklearn.metrics import mean_squared_error, root_mean_squared_error
# minute de livrare: reale si estimate
y_true = [30, 45, 25, 60, 40]
y_pred = [33, 41, 25, 54, 44]
print("MSE:", mean_squared_error(y_true, y_pred))
print("RMSE:", round(root_mean_squared_error(y_true, y_pred), 2))De ce merge
Diferențele sunt 3, 4, 0, 6 și 4 minute; pătratele lor însumează 77, deci MSE = 77 / 5 = 15.4. RMSE este rădăcina pătrată din MSE, adică aproximativ 3.92 minute, în aceeași unitate ca ținta. Din scikit-learn 1.6, rădăcina se calculează cu root_mean_squared_error, nu cu squared=False.
Alte forme ale mesajului
TypeError: mean_squared_error() got an unexpected keyword argument 'squared'FutureWarning: 'squared' is deprecated in version 1.4 and will be removed in 1.6. To calculate the root mean squared error, use the function'root_mean_squared_error'.ImportError: cannot import name 'root_mean_squared_error' from 'sklearn.metrics'
Cum o eviți pe viitor
Verifică versiunea cu import sklearn; print(sklearn.__version__) când copiezi cod de pe internet. Pentru RMSE folosește root_mean_squared_error (de la 1.4 în sus) sau np.sqrt(mean_squared_error(...)) dacă trebuie să meargă și pe versiuni mai vechi. Fixează versiunea în requirements.txt, ca proiectul să nu se strice la o actualizare.
Întrebări frecvente
Primesc ImportError pentru root_mean_squared_error. De ce?
Ai o versiune mai veche de 1.4, unde funcția nu există încă. Acolo squared=False încă merge, sau poți folosi np.sqrt(mean_squared_error(...)), care merge peste tot.
De ce scorerul are minus în față?
În scikit-learn, scorerele trebuie să fie „cu cât mai mare, cu atât mai bine”. O eroare e invers, deci se folosește cu minus: -scoruri.mean() îți dă RMSE-ul mediu.
Erori înrudite
ImportError: cannot import name 'plot_confusion_matrix' from 'sklearn.metrics' plot_confusion_matrix, plot_roc_curve și plot_precision_recall_curve au fost scoase în scikit-learn 1.2. Folosește clasele Display: ConfusionMatrixDisplay.from_estimator(model, X_test, y_test) sau ConfusionMatrixDisplay.from_predictions(y_test, y_pred). TypeError: OneHotEncoder.__init__() got an unexpected keyword argument 'sparse' Parametrul sparse al lui OneHotEncoder a fost redenumit sparse_output în scikit-learn 1.2 și eliminat în 1.4. Codul vine dintr-un tutorial mai vechi. Scrie OneHotEncoder(sparse_output=False). ImportError: `load_boston` has been removed from scikit-learn since version 1.2. Setul de date Boston Housing a fost scos din scikit-learn în versiunea 1.2, din cauza unei probleme etice a unei variabile. Folosește alt set de date: fetch_california_housing pentru prețuri de locuințe sau load_diabetes, inclus direct în bibliotecă, pentru exerciții de regresie. 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.
