ValueError: Expected n_neighbors <= n_samples_fit, but n_neighbors = 5, n_samples_fit = 3, n_samples = 1
k-NN caută 5 vecini (valoarea implicită), dar a fost antrenat pe doar 3 exemple. Alege n_neighbors cel mult egal cu numărul de rânduri de antrenare (de exemplu n_neighbors=3) sau antrenează pe mai multe date.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
KNeighborsClassifier și KNeighborsRegressor nu învață coeficienți: la predicție caută cele mai apropiate n_neighbors puncte din datele de antrenare (implicit 5). Dacă la fit au primit mai puține puncte decât vecini ceruți, căutarea e imposibilă. Mesajul îți dă toate numerele: câți vecini ai cerut (n_neighbors), câte puncte are modelul (n_samples_fit) și câte exemple vrei să prezici (n_samples).
Eroarea apare la predict sau kneighbors, nu la fit. Situații tipice: exemple de învățare cu foarte puține date, un set de antrenare prea mic după train_test_split sau după un filtru, ori validare încrucișată pe un set mic, unde fiecare fold de antrenare are mai puține puncte decât k. Și NearestNeighbors().kneighbors(n_neighbors=...) dă aceeași eroare.
De ce apare: cauzele frecvente
1Valoarea implicită k = 5 pe un set mic
knn = KNeighborsClassifier().fit(X_train, y_train) # 3 rânduri
knn.predict(X_nou)knn = KNeighborsClassifier(n_neighbors=3).fit(X_train, y_train)
knn.predict(X_nou)Cu 3 puncte de antrenare, poți căuta cel mult 3 vecini.
2k ales înainte de împărțire
k = 10
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5) # 12 rânduri
KNeighborsClassifier(n_neighbors=k).fit(X_train, y_train).predict(X_test)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)
k = min(5, len(X_train))
KNeighborsClassifier(n_neighbors=k).fit(X_train, y_train).predict(X_test)Numărul de vecini se raportează la setul de antrenare, care e mai mic decât tot setul de date.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Expected n_neighbors <= n_samples_fit, but n_neighbors = 5, n_samples_fit = 4, n_samples = 1, pentru că k-NN folosește implicit 5 vecini, iar fructele cunoscute sunt doar 4. Repară clasificatorul: folosește 3 vecini, ca programul să afișeze fructul prezis pentru unul nou.
from sklearn.neighbors import KNeighborsClassifier
# greutate (g), diametru (cm)
X = [[150, 7.5], [170, 8.0], [120, 6.0], [115, 5.8]]
y = ["mar", "mar", "lamaie", "lamaie"]
knn = KNeighborsClassifier()
knn.fit(X, y)
print("Fruct nou:", knn.predict([[160, 7.8]])[0])Fruct nou: mar
Indiciu
Creează modelul cu KNeighborsClassifier(n_neighbors=3).
Reparația
from sklearn.neighbors import KNeighborsClassifier
# greutate (g), diametru (cm)
X = [[150, 7.5], [170, 8.0], [120, 6.0], [115, 5.8]]
y = ["mar", "mar", "lamaie", "lamaie"]
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X, y)
print("Fruct nou:", knn.predict([[160, 7.8]])[0])De ce merge
k-NN clasifică un punct nou după votul celor mai apropiați k vecini din datele de antrenare. Cu valoarea implicită n_neighbors=5 și doar 4 fructe cunoscute, al cincilea vecin nu există. Cu n_neighbors=3, fructul nou (160 g, 7.8 cm) are ca vecini cele două mere și cea mai apropiată lămâie, iar votul 2 la 1 dă „mar”. Un k impar evită egalitatea de voturi între două clase.
Alte forme ale mesajului
ValueError: Expected n_neighbors <= n_samples_fit, but n_neighbors = 10, n_samples_fit = 6, n_samples = 6ValueError: Expected n_neighbors <= n_samples, but n_samples = 3, n_neighbors = 5
Cum o eviți pe viitor
Alege n_neighbors după mărimea setului de antrenare: pentru seturi mici, valori între 1 și numărul de exemple dintr-o clasă; pentru seturi mari, alege-l prin validare încrucișată. Când cauți k cu GridSearchCV, ține minte că fiecare fold de antrenare are mai puține rânduri decât tot setul. Un k impar evită egalitățile de voturi la două clase.
Întrebări frecvente
Ce k să aleg?
Nu există un k universal. Un k mic urmează foarte îndeaproape datele (risc de supraantrenare), unul mare netezește deciziile. Încearcă mai multe valori cu cross_val_score sau GridSearchCV și alege-o pe cea cu cel mai bun scor mediu.
De ce eroarea apare la predict și nu la fit?
Pentru că fit la k-NN doar memorează datele. Căutarea vecinilor, unde e nevoie de cel puțin k puncte, are loc abia la predicție.
Erori înrudite
ValueError: n_samples=3 should be >= n_clusters=4. Ai cerut lui KMeans mai multe grupuri (n_clusters) decât puncte ai în date: fiecare grup are nevoie de cel puțin un punct. Micșorează n_clusters sau verifică dacă X are cu adevărat atâtea rânduri câte crezi (de exemplu că nu e transpus). ValueError: n_splits=5 cannot be greater than the number of members in each class. Ai cerut validare încrucișată stratificată cu mai multe fold-uri decât exemple are fiecare clasă (de exemplu 5 fold-uri, dar 3 exemple pe clasă). Micșorează n_splits (sau cv) la cel mult numărul de exemple din clasa cea mai mică, sau adună mai multe date. 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.
