...
Eroare Machine Learning · Etichete, clasificare și metrici

ValueError: Classification metrics can't handle a mix of binary and continuous targets

Pe scurt

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).

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Metricile de clasificare compară două liste de clase: etichetele reale și cele prezise. Mesajul spune că una dintre liste e binary (doar 0 și 1), iar cealaltă continuous (numere zecimale, de exemplu 0.83, 0.12). Pentru o comparație de tip „corect / greșit”, scikit-learn nu știe dacă 0.83 înseamnă clasa 1.

Cauzele clasice: ai dat metricii rezultatul lui predict_proba(X)[:, 1]; ai folosit un model de regresie (LinearRegression) pentru o țintă 0/1, iar predict dă numere zecimale; sau ai trimis rezultatul lui decision_function. Metricile care lucrează direct cu scoruri sunt altele: roc_auc_score, log_loss, average_precision_score. Variantele aceluiași mesaj (multiclass and continuous, binary and multiclass) au aceeași cauză: cele două liste nu sunt de același tip.

De ce apare: cauzele frecvente

1Probabilități date la accuracy_score

Greșit
PYTHON
p = model.predict_proba(X_test)[:, 1]
print(accuracy_score(y_test, p))
Corect
PYTHON
p = model.predict_proba(X_test)[:, 1]
y_pred = (p >= 0.5).astype(int)
print(accuracy_score(y_test, y_pred))

Pragul transformă fiecare probabilitate în 0 sau 1, deci ambele liste conțin clase.

2Regresie liniară folosită ca un clasificator

Greșit
PYTHON
y_pred = LinearRegression().fit(X, y).predict(X_test)
print(f1_score(y_test, y_pred))
Corect
PYTHON
y_pred = LogisticRegression().fit(X, y).predict(X_test)
print(f1_score(y_test, y_pred))

predict al regresiei logistice întoarce chiar clasele 0/1.

3Scoruri continue date la o metrică pe clase

Greșit
PYTHON
scor = model.decision_function(X_test)
print(confusion_matrix(y_test, scor))
Corect
PYTHON
scor = model.decision_function(X_test)
print(roc_auc_score(y_test, scor))

Dacă vrei să evaluezi scorurile, alegi o metrică făcută pentru ele, precum aria de sub curba ROC.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: Classification metrics can't handle a mix of binary and continuous targets, pentru că acuratețea e calculată pe probabilități. Repară-l: transformă probabilitățile în clase cu pragul 0.5, ca programul să afișeze predicțiile și acuratețea.

Codul care dă eroarea
PYTHON
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

X = np.array([[1], [2], [3], [4], [6], [7], [8], [9]])
y = np.array([0, 0, 0, 1, 0, 1, 1, 1])
model = LogisticRegression().fit(X, y)

proba = model.predict_proba(X)[:, 1]
y_pred = proba
print("Predictii:", y_pred.tolist())
print("Acuratete:", accuracy_score(y, y_pred))
După reparație, programul afișează
Predictii: [0, 0, 0, 0, 1, 1, 1, 1]
Acuratete: 0.75
Indiciu

Clasele se obțin cu (proba >= 0.5).astype(int).

Alte forme ale mesajului

  • ValueError: Classification metrics can't handle a mix of multiclass and continuous targets
  • ValueError: Classification metrics can't handle a mix of binary and multiclass targets
  • ValueError: Classification metrics can't handle a mix of continuous and binary targets

Cum o eviți pe viitor

Separă clar cele două tipuri de ieșiri: predict dă clase (pentru accuracy_score, precision_score, recall_score, f1_score, confusion_matrix, classification_report), iar predict_proba / decision_function dau scoruri (pentru roc_auc_score, log_loss). Numește variabilele explicit, de exemplu y_pred și y_proba, ca să nu le amesteci. Înainte de metrică, un print(y_pred[:5]) îți arată imediat dacă ai clase sau probabilități.

Întrebări frecvente

De ce roc_auc_score acceptă probabilități, iar accuracy_score nu?

Aria ROC măsoară cât de bine ordonează scorurile exemplele pozitive înaintea celor negative, pentru toate pragurile posibile. Acuratețea are nevoie de o decizie concretă pentru fiecare exemplu, deci de un prag deja aplicat.

Ce prag să folosesc?

0.5 este pragul implicit al lui predict. Dacă greșelile nu costă la fel (de exemplu o fraudă ratată e mai gravă decât o alarmă falsă), poți coborî sau urca pragul și verifica efectul pe precision și recall.

Erori înrudite

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

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.