TypeError: LinearRegression.__init__() got an unexpected keyword argument 'normalize'
Parametrul normalize a fost scos din LinearRegression, Ridge, Lasso și celelalte modele liniare în scikit-learn 1.2. Pune scalarea ca pas separat, într-un pipeline: make_pipeline(StandardScaler(), LinearRegression()).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Constructorul LinearRegression(...) nu mai acceptă normalize. Parametrul a fost marcat învechit în 1.0 și eliminat în 1.2, pentru că amesteca două lucruri: pregătirea datelor și modelul. În scikit-learn, pregătirea se face cu transformatoare separate, puse într-un Pipeline.
Atenție: vechiul normalize=True nu făcea o standardizare obișnuită: scădea media și împărțea la norma L2 a coloanei, nu la deviația standard. Pentru LinearRegression simplă, predicțiile nu se schimbă oricum (doar coeficienții se rescalează). Pentru modelele cu regularizare (Ridge, Lasso, ElasticNet), scara contează, deci, după ce treci la StandardScaler, e posibil să trebuiască să ajustezi alpha.
Aceeași eroare apare la Ridge, Lasso, LassoCV, RidgeCV, Lars și altele.
De ce apare: cauzele frecvente
1Regresie liniară cu normalize
model = LinearRegression(normalize=True)model = make_pipeline(StandardScaler(), LinearRegression())Scalarea devine un pas separat, aplicat la fel la antrenare și la predicție.
2Ridge sau Lasso cu normalize
model = Lasso(alpha=0.1, normalize=True)model = make_pipeline(StandardScaler(), Lasso(alpha=0.1))Regularizarea are nevoie de date pe aceeași scară. Verifică apoi dacă alpha mai e potrivit.
3Parametrul pus în grilă
grila = {"normalize": [True, False], "alpha": [0.1, 1]}grila = {"ridge__alpha": [0.1, 1]}
GridSearchCV(make_pipeline(StandardScaler(), Ridge()), grila)Parametrii care nu mai există nu pot fi căutați; cei ai modelului din pipeline au prefixul pasului.
Repară eroarea, direct în pagină
Codul de mai jos dă TypeError: LinearRegression.__init__() got an unexpected keyword argument 'normalize'. Scoate parametrul și pune scalarea ca pas separat, cu make_pipeline(StandardScaler(), LinearRegression()), ca programul să afișeze prețul estimat pentru un apartament nou.
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
# suprafata (mp), etaj -> pret (mii lei)
X = [[50, 1], [60, 2], [70, 1], [80, 3], [90, 2]]
y = [101, 122, 141, 163, 182]
model = LinearRegression(normalize=True).fit(X, y)
print("Pret estimat:", round(float(model.predict([[75, 2]])[0]), 1))Pret estimat: 152.0
Indiciu
Construiește modelul cu make_pipeline(StandardScaler(), LinearRegression()).
Reparația
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
# suprafata (mp), etaj -> pret (mii lei)
X = [[50, 1], [60, 2], [70, 1], [80, 3], [90, 2]]
y = [101, 122, 141, 163, 182]
model = make_pipeline(StandardScaler(), LinearRegression()).fit(X, y)
print("Pret estimat:", round(float(model.predict([[75, 2]])[0]), 1))De ce merge
În versiunile noi, scalarea nu mai e un parametru al modelului, ci un pas al pipeline-ului: StandardScaler aduce suprafața și etajul la aceeași scară, apoi regresia se antrenează pe datele scalate. La predicție, pipeline-ul scalează automat și apartamentul nou. Pentru regresia liniară simplă, prețul estimat e același ca fără scalare.
Alte forme ale mesajului
TypeError: __init__() got an unexpected keyword argument 'normalize'TypeError: Ridge.__init__() got an unexpected keyword argument 'normalize'TypeError: Lasso.__init__() got an unexpected keyword argument 'normalize'
Cum o eviți pe viitor
Păstrează preprocesarea în afara modelului: un Pipeline cu StandardScaler și modelul. Așa codul merge pe orice versiune recentă, iar scalarea se aplică automat și la datele noi. La actualizarea bibliotecii, rulează proiectul o dată cu avertismentele FutureWarning afișate și repară-le pe toate.
Întrebări frecvente
Se schimbă predicțiile dacă scot normalize?
La LinearRegression, nu: scalarea schimbă doar coeficienții, nu dreapta găsită. La Ridge și Lasso, da, puțin, pentru că penalizarea depinde de scară.
Am nevoie de scalare la regresia liniară simplă?
Nu pentru predicții. Ajută însă când vrei să compari coeficienții între ei, pentru că toate trăsăturile au aceeași scară.
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(). TypeError: LogisticRegression.__init__() got an unexpected keyword argument 'multi_class' Parametrul multi_class al lui LogisticRegression a fost scos în scikit-learn 1.8 (era învechit din 1.5). Șterge-l: pentru mai multe clase, modelul folosește oricum varianta multinomială. Dacă ai nevoie de „una contra restului”, folosește OneVsRestClassifier(LogisticRegression()). 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). 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.
