ValueError: Invalid parameter 'C' for estimator Pipeline(steps=[('scaler', StandardScaler()), ('model', LogisticRegression())]). Valid parameters are: ['memory', 'steps', 'transform_input', 'verbose'].
Ai dat lui GridSearchCV (sau lui set_params) un parametru al modelului direct pipeline-ului. Într-un pipeline, parametrii pașilor se scriu cu numele pasului și două underscore-uri: 'model__C' în loc de 'C'.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Un Pipeline are propriii parametri (steps, memory, verbose), care sunt cei din lista de la finalul mesajului. Parametrii modelelor din interior se adresează cu prefixul pasului: <nume_pas>__<parametru>, cu două underscore-uri. Dacă pasul se numește "model", parametrul C al regresiei logistice devine model__C.
Eroarea apare cel mai des la GridSearchCV(pipe, {"C": [0.1, 1, 10]}), când ai mutat un model care mergea singur într-un pipeline, dar ai păstrat grila veche. Alte variante: ai pus un singur underscore (model_C), ai greșit numele pasului sau ai folosit make_pipeline, unde pașii primesc automat nume din clasa lor scrisă cu litere mici (logisticregression__C). Lista completă a numelor valide o vezi cu pipe.get_params().keys().
De ce apare: cauzele frecvente
1Grilă scrisă pentru model, folosită pe pipeline
pipe = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])
GridSearchCV(pipe, {"C": [0.1, 1, 10]}).fit(X, y)pipe = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])
GridSearchCV(pipe, {"model__C": [0.1, 1, 10]}).fit(X, y)model__C spune pipeline-ului: parametrul C al pasului numit model.
2Nume generat automat de make_pipeline
pipe = make_pipeline(StandardScaler(), KNeighborsClassifier())
GridSearchCV(pipe, {"knn__n_neighbors": [3, 5]}).fit(X, y)pipe = make_pipeline(StandardScaler(), KNeighborsClassifier())
GridSearchCV(pipe, {"kneighborsclassifier__n_neighbors": [3, 5]}).fit(X, y)make_pipeline numește pașii după clasă, cu litere mici. Dacă vrei nume scurte, folosește Pipeline cu nume date de tine.
3Un singur underscore
pipe.set_params(model_C=10)pipe.set_params(model__C=10)Separatorul dintre pas și parametru este format din două underscore-uri.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Invalid parameter 'C' for estimator Pipeline(...), pentru că grila de căutare folosește numele parametrului fără pasul din pipeline. Repară grila, ca GridSearchCV să caute valoarea lui C a pasului model și programul să afișeze cel mai bun parametru.
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
X = np.array([[1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12]])
y = np.array([0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1])
pipe = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])
grila = {"C": [0.01, 1, 100]}
cautare = GridSearchCV(pipe, grila, cv=3).fit(X, y)
print("Cel mai bun:", cautare.best_params_)Cel mai bun: {'model__C': 0.01}Indiciu
Cheia din grilă trebuie să fie "model__C".
Reparația
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
X = np.array([[1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12]])
y = np.array([0, 0, 0, 1, 0, 0, 1, 1, 0, 1, 1, 1])
pipe = Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])
grila = {"model__C": [0.01, 1, 100]}
cautare = GridSearchCV(pipe, grila, cv=3).fit(X, y)
print("Cel mai bun:", cautare.best_params_)De ce merge
Pipeline-ul în sine nu are un parametru C; îl are regresia logistică din pasul numit model. Prefixul model__ îi spune lui GridSearchCV unde să ducă fiecare valoare: pentru fiecare combinație, setează C pe pasul model, antrenează tot pipeline-ul (cu scalare cu tot) pe fold-urile de antrenare și îl evaluează pe cele de validare. Rezultatul păstrează numele complet al parametrului, model__C, cu valoarea care a dat cel mai bun scor mediu.
Alte forme ale mesajului
ValueError: Invalid parameter 'n_neighbors' for estimator Pipeline(steps=[('scaler', StandardScaler()), ('knn', KNeighborsClassifier())]). Valid parameters are: ['memory', 'steps', 'transform_input', 'verbose'].ValueError: Invalid parameter 'max_depht' for estimator DecisionTreeClassifier(). Valid parameters are: ['ccp_alpha', 'class_weight', 'criterion', 'max_depth', ...].
Cum o eviți pe viitor
Când pui un model într-un pipeline, rescrie imediat grila de parametri cu prefixul pasului. Dă pașilor nume scurte și clare ("model", "scaler") cu Pipeline([...]). Dacă nu ești sigur de nume, afișează sorted(pipe.get_params()) și copiază numele de acolo. Testează grila pe un singur parametru înainte de a o extinde, ca să găsești repede un nume greșit.
Întrebări frecvente
De ce două underscore-uri?
Pentru că numele parametrilor conțin deja un underscore (max_depth, n_neighbors). Două underscore-uri marchează clar granița dintre pas și parametru și pot fi înlănțuite: prep__num__scaler__with_mean.
Merge la fel și cu ColumnTransformer?
Da. Într-un ColumnTransformer numit prep, cu transformerul num, parametrul unui imputer se scrie prep__num__strategy (sau mai adânc, dacă num e la rândul lui un pipeline).
Erori înrudite
TypeError: All intermediate steps should be transformers and implement fit and transform or be the string 'passthrough' 'LogisticRegression()' (type <class 'sklearn.linear_model._logistic.LogisticRegression'>) doesn't Într-un Pipeline, toți pașii în afară de ultimul trebuie să fie transformatori (scaler, encoder, imputer), iar modelul trebuie să fie ultimul. Aici modelul a fost pus înaintea scaler-ului. Mută modelul la final: Pipeline([('scaler', StandardScaler()), ('model', LogisticRegression())]). TypeError: LogisticRegression.__init__() got an unexpected keyword argument 'max_iters' Ai dat modelului un parametru care nu există, aici max_iters (corect: max_iter). De obicei e o greșeală de scriere sau un parametru din altă bibliotecă ori dintr-o versiune veche. Verifică numele în documentație sau cu Model().get_params(). 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.
