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

ValueError: continuous format is not supported

Pe scurt

roc_auc_score (sau o altă metrică de clasificare) a primit ca y_true valori zecimale. De obicei ai inversat argumentele: ordinea corectă este roc_auc_score(y_true, scoruri), cu etichetele reale primele și probabilitățile pe locul doi.

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

Ce înseamnă

Metricile de clasificare verifică tipul primului argument, y_true, care trebuie să conțină clase (binary sau multiclass). Dacă acolo găsesc valori ca 0.12, 0.87, 0.45, tipul este continuous, iar ROC AUC, average_precision_score sau roc_curve nu știu ce să facă cu el. Mesajul e scurt: formatul continuu (numere zecimale) nu e acceptat.

Cea mai frecventă cauză este ordinea argumentelor: roc_auc_score(proba, y_test) în loc de roc_auc_score(y_test, proba). A doua cauză: încerci să evaluezi un model de regresie (prețuri, temperaturi) cu o metrică de clasificare; acolo folosești r2_score, mean_absolute_error sau, dacă vrei clase, transformi întâi ținta cu un prag. La confusion_matrix sau accuracy_score, aceeași situație dă mesaje înrudite: continuous is not supported și Classification metrics can't handle a mix ....

De ce apare: cauzele frecvente

1Argumente inversate

Greșit
PYTHON
proba = model.predict_proba(X_test)[:, 1]
roc_auc_score(proba, y_test)
Corect
PYTHON
proba = model.predict_proba(X_test)[:, 1]
roc_auc_score(y_test, proba)

Toate metricile din scikit-learn primesc întâi valorile reale (y_true), apoi predicțiile sau scorurile.

2Metrică de clasificare pe o țintă de regresie

Greșit
PYTHON
roc_auc_score(pret_real, pret_prezis)
Corect
PYTHON
from sklearn.metrics import mean_absolute_error
mean_absolute_error(pret_real, pret_prezis)

La regresie, eroarea se măsoară în unitățile țintei. ROC AUC are sens doar pentru clase.

3Clase obținute dintr-o țintă continuă

Greșit
PYTHON
roc_auc_score(df["scor_credit"], proba)
Corect
PYTHON
y_bun = (df["scor_credit"] >= 600).astype(int)
roc_auc_score(y_bun, proba)

Dacă problema e de fapt „bun” sau „rău”, transformă întâi ținta în clase cu un prag clar.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: continuous format is not supported, pentru că argumentele lui roc_auc_score sunt inversate. Repară apelul, ca programul să afișeze AUC-ul modelului pe datele de test.

Codul care dă eroarea
PYTHON
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

X_train = [[1], [2], [3], [4], [10], [11], [12], [13]]
y_train = [0, 0, 0, 0, 1, 1, 1, 1]
X_test = [[2.5], [5], [9], [12.5]]
y_test = [0, 1, 0, 1]

model = LogisticRegression().fit(X_train, y_train)
proba = model.predict_proba(X_test)[:, 1]
print("AUC:", roc_auc_score(proba, y_test))
După reparație, programul afișează
AUC: 0.75
Indiciu

Ordinea corectă este roc_auc_score(y_test, proba).

Alte forme ale mesajului

  • ValueError: continuous is not supported
  • ValueError: multiclass format is not supported
  • ValueError: continuous-multioutput format is not supported

Cum o eviți pe viitor

Scrie apelurile de metrici cu argumente numite, care nu pot fi inversate: roc_auc_score(y_true=y_test, y_score=proba). Păstrează denumiri clare (y_test pentru etichete, proba sau scor pentru probabilități). Înainte să alegi metrica, verifică tipul țintei cu type_of_target(y) din sklearn.utils.multiclass. Dacă primești mesajul, afișează primele valori din fiecare argument: etichetele sunt 0 și 1, probabilitățile sunt zecimale.

Întrebări frecvente

Dar valorile mele de test sunt 0 și 1. De ce spune continuous?

Probabil le-ai dat pe locul doi. Funcția verifică primul argument; dacă acolo sunt probabilitățile, le vede ca valori continue.

Ce înseamnă multiclass format is not supported?

Că o metrică binară, ca roc_curve sau average_precision_score fără opțiuni în plus, a primit trei sau mai multe clase. Pentru ROC AUC folosește multi_class="ovr"; pentru curbe, calculează câte una pentru fiecare clasă.

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.