ValueError: continuous format is not supported
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
proba = model.predict_proba(X_test)[:, 1]
roc_auc_score(proba, y_test)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
roc_auc_score(pret_real, pret_prezis)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
roc_auc_score(df["scor_credit"], proba)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 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.
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))AUC: 0.75
Indiciu
Ordinea corectă este roc_auc_score(y_test, proba).
Reparația
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(y_test, proba))De ce merge
Primul argument trebuie să fie etichetele reale. Cu proba pe primul loc, funcția vedea valori zecimale și refuza calculul. În ordinea corectă, AUC compară scorurile: cele două exemple pozitive (5 și 12,5 minute) și cele două negative (2,5 și 9). Exemplul negativ cu 9 minute primește un scor mai mare decât pozitivul cu 5, deci din cele 4 perechi pozitiv-negativ, 3 sunt ordonate corect: AUC = 0.75.
Alte forme ale mesajului
ValueError: continuous is not supportedValueError: multiclass format is not supportedValueError: 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
ValueError: Classification metrics can't handle a mix of binary and continuous targets 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). ValueError: Unknown label type: continuous. Maybe you are trying to fit a classifier, which expects discrete classes on a regression target with continuous values. Ai dat unui clasificator o țintă cu valori continue (prețuri, note cu zecimale), iar el așteaptă clase. Dacă vrei să prezici un număr, folosește un model de regresie (LinearRegression, DecisionTreeRegressor); dacă vrei clase, transformă ținta în categorii, de exemplu cu un prag. ValueError: multi_class must be in ('ovo', 'ovr') Calculezi roc_auc_score pe o problemă cu mai mult de două clase fără să spui cum să fie combinate clasele. Adaugă multi_class="ovr" (fiecare clasă contra restului) sau "ovo" (perechi de clase) și dă-i toate coloanele din predict_proba. 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.
