UndefinedMetricWarning: R^2 score is not well-defined with less than two samples.
Ai calculat R² pe un singur exemplu, iar R² compară eroarea modelului cu variația valorilor reale, care la un singur exemplu nu există. Rezultatul e nan. Evaluează pe un set de test cu mai multe exemple, sau folosește o metrică precum MAE.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
R² (r2_score, model.score la regresie) înseamnă: cât de bine explică modelul variația țintei, față de un model care ar prezice mereu media. Formula împarte eroarea modelului la variația lui y_true în jurul mediei. Cu un singur exemplu, media e chiar acel exemplu, variația e zero, deci R² nu poate fi calculat: scikit-learn întoarce nan și te avertizează.
Cazuri tipice: un set de test cu un singur rând (de exemplu test_size=1 sau date foarte puține), validare încrucișată LeaveOneOut cu scoring R² (fiecare parte de test are un exemplu), sau evaluarea separată pe grupuri mici.
Dacă ai date puține, folosește KFold cu câteva părți, sau o metrică definită pe un exemplu, ca eroarea absolută.
De ce apare: cauzele frecvente
1Un singur exemplu în test
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=1)
print(model.score(X_te, y_te))X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, random_state=0)
print(model.score(X_te, y_te))Cu mai multe exemple la test, valorile reale au o variație, deci R² se poate calcula.
2LeaveOneOut cu R²
cross_val_score(LinearRegression(), X, y, cv=LeaveOneOut())cross_val_score(LinearRegression(), X, y, cv=LeaveOneOut(), scoring="neg_mean_absolute_error")Eroarea absolută are sens și pe un singur exemplu, R² nu.
3R² pe grupuri foarte mici
for magazin, g in df.groupby("magazin"):
print(magazin, r2_score(g["real"], g["prezis"]))for magazin, g in df.groupby("magazin"):
if len(g) >= 2:
print(magazin, r2_score(g["real"], g["prezis"]))Grupurile cu un singur rând nu au o variație din care să se calculeze R².
Repară eroarea, direct în pagină
Codul de mai jos dă UndefinedMetricWarning: R^2 score is not well-defined with less than two samples, transformat în eroare, pentru că testul are un singur apartament. Păstrează pentru test 3 apartamente, ca programul să afișeze câte exemple are testul și scorul R².
import warnings
from sklearn.exceptions import UndefinedMetricWarning
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
warnings.simplefilter("error", UndefinedMetricWarning)
X = [[40], [50], [60], [70], [80], [90], [100], [110]]
y = [82, 99, 121, 139, 162, 178, 201, 219]
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=1, random_state=0)
model = LinearRegression().fit(X_tr, y_tr)
print("Exemple la test:", len(y_te))
print("R2:", round(float(model.score(X_te, y_te)), 3))Exemple la test: 3 R2: 0.998
Indiciu
Folosește test_size=3 la train_test_split.
Reparația
import warnings
from sklearn.exceptions import UndefinedMetricWarning
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
warnings.simplefilter("error", UndefinedMetricWarning)
X = [[40], [50], [60], [70], [80], [90], [100], [110]]
y = [82, 99, 121, 139, 162, 178, 201, 219]
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=3, random_state=0)
model = LinearRegression().fit(X_tr, y_tr)
print("Exemple la test:", len(y_te))
print("R2:", round(float(model.score(X_te, y_te)), 3))De ce merge
Cu trei apartamente la test, prețurile reale au o variație în jurul mediei lor, deci R² poate compara eroarea modelului cu această variație. Prețurile cresc aproape liniar cu suprafața, așa că scorul e foarte aproape de 1. Pe date reale, un test mai mare dă o estimare mai stabilă.
Alte forme ale mesajului
UndefinedMetricWarning: R^2 score is not well-defined with less than two samples.
Cum o eviți pe viitor
Asigură-te că setul de test are cel puțin câteva exemple; pe date foarte mici, preferă KFold(n_splits=3) sau 5 în locul unei singure împărțiri. Nu combina LeaveOneOut cu R². Pentru rapoarte pe grupuri, raportează și numărul de exemple al fiecărui grup și sari peste grupurile prea mici.
Întrebări frecvente
De ce primesc nan și nu 0?
Pentru că 0 ar însemna „la fel de bun ca media”, ceea ce nu se poate afirma. nan spune clar că scorul nu există.
Am două exemple identice în test și primesc tot o problemă. De ce?
Dacă valorile reale sunt egale, variația lor e tot zero. R² nu e definit nici atunci; scikit-learn întoarce 1.0 sau 0.0, după cum predicțiile sunt perfecte sau nu.
Erori înrudite
ValueError: Mean Squared Logarithmic Error cannot be used when targets contain values less than or equal to -1. Eroarea logaritmică (MSLE, RMSLE) calculează log(1 + y), care nu există pentru y ≤ -1. De obicei vinovate sunt predicțiile: o regresie liniară poate prezice valori negative. Taie predicțiile la zero cu np.clip(y_pred, 0, None), sau folosește altă metrică (MAE, RMSE). UserWarning: Scoring failed. The score on this train-test partition for these parameters will be set to nan. În timpul validării (cross_val_score, GridSearchCV), modelul s-a antrenat, dar calculul scorului pe o parte de test a dat eroare, așa că scorul e nan. Citește eroarea din „Details” de sub avertisment: de obicei un parametru prea mare pentru partea de train (n_neighbors) sau o metrică nepotrivită. ValueError: test_size=30 should be either positive and smaller than the number of samples 10 or a float in the (0, 1) range Ai dat test_size un număr care nu are sens: aici 30 (probabil voiai 30%), dar datele au doar 10 rânduri. test_size acceptă fie o fracție între 0 și 1 (0.3 = 30%), fie un număr întreg de rânduri mai mic decât totalul. 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.
