ValueError: k-fold cross-validation requires at least one train/test split by setting n_splits=2 or more, got n_splits=1.
Validarea încrucișată împarte datele în n_splits bucăți și folosește pe rând fiecare bucată ca test, deci are nevoie de cel puțin 2. Cu n_splits=1 nu ar rămâne nimic pentru antrenare. Folosește n_splits=2 sau mai mult (de obicei 5), sau train_test_split pentru o singură împărțire.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
KFold, StratifiedKFold și GroupKFold împart datele în n_splits părți egale. La fiecare rundă, o parte e test și restul antrenare. Cu o singură parte, toate datele ar fi test și nimic antrenare, așa că scikit-learn refuză încă de la crearea obiectului.
Greșeala vine de obicei din două confuzii: ai vrut o singură împărțire train/test (pentru asta e train_test_split), sau ai crezut că n_splits e procentul de test, ca la ShuffleSplit (n_splits=1, test_size=0.2 e valid acolo, pentru că ShuffleSplit nu împarte în părți egale).
Cu cross_val_score(model, X, y, cv=1) primești un mesaj de validare de parametru, nu acesta, dar cauza e aceeași: cv trebuie să fie cel puțin 2.
De ce apare: cauzele frecvente
1Ai vrut o singură împărțire
kf = KFold(n_splits=1)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)Pentru o singură împărțire, train_test_split e unealta potrivită.
2Ai vrut validare încrucișată
cv = StratifiedKFold(n_splits=1, shuffle=True, random_state=0)cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=0)Cu 5 părți, fiecare exemplu e folosit o dată la test și de 4 ori la antrenare.
3Ai confundat cu ShuffleSplit
cv = KFold(n_splits=1) # voiam 20% test, o datacv = ShuffleSplit(n_splits=1, test_size=0.2, random_state=0)ShuffleSplit alege aleator testul la fiecare rundă, deci acceptă și o singură rundă.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: k-fold cross-validation requires at least one train/test split, pentru că KFold are o singură parte. Folosește 4 părți, ca programul să afișeze scorurile celor 4 runde și media lor.
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import KFold, cross_val_score
X = [[i] for i in range(1, 13)]
y = [3 * i + 2 for i in range(1, 13)]
cv = KFold(n_splits=1, shuffle=True, random_state=0)
scoruri = cross_val_score(LinearRegression(), X, y, cv=cv)
print("Scoruri:", [round(float(s), 3) for s in scoruri])
print("Media:", round(float(scoruri.mean()), 3))Scoruri: [1.0, 1.0, 1.0, 1.0] Media: 1.0
Indiciu
Scrie KFold(n_splits=4, shuffle=True, random_state=0).
Reparația
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import KFold, cross_val_score
X = [[i] for i in range(1, 13)]
y = [3 * i + 2 for i in range(1, 13)]
cv = KFold(n_splits=4, shuffle=True, random_state=0)
scoruri = cross_val_score(LinearRegression(), X, y, cv=cv)
print("Scoruri:", [round(float(s), 3) for s in scoruri])
print("Media:", round(float(scoruri.mean()), 3))De ce merge
Cu 4 părți, fiecare rundă antrenează modelul pe 9 exemple și îl testează pe celelalte 3. Datele urmează exact dreapta y = 3x + 2, deci regresia liniară o găsește perfect în fiecare rundă și scorul R² este 1.0 peste tot.
Alte forme ale mesajului
ValueError: k-fold cross-validation requires at least one train/test split by setting n_splits=2 or more, got n_splits=0.InvalidParameterError: The 'cv' parameter of cross_val_score must be an int in the range [2, inf), an object implementing 'split' and 'get_n_splits', an iterable or None. Got 1 instead.
Cum o eviți pe viitor
Folosește n_splits=5 ca punct de plecare și coboară la 3 doar pe date foarte mici. Pentru o singură împărțire, rămâi la train_test_split. Dacă numărul de părți vine dintr-o variabilă (de exemplu calculat din numărul de exemple), pune un minim: max(2, ...).
Întrebări frecvente
Câte părți să aleg?
5 sau 10 sunt alegerile obișnuite. Mai multe părți înseamnă antrenare pe mai multe date la fiecare rundă, dar și mai multe antrenări.
Pot avea n_splits egal cu numărul de exemple?
Da, asta e leave-one-out (există și clasa LeaveOneOut). E util pe date foarte mici, dar unele metrici nu au sens cu un singur exemplu la test.
Erori înrudite
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. ValueError: Setting a random_state has no effect since shuffle is False. You should leave random_state to its default (None), or set shuffle=True. Ai dat random_state lui KFold sau StratifiedKFold fără shuffle=True. Fără amestecare, împărțirea în părți e mereu aceeași, deci random_state nu are ce controla. Adaugă shuffle=True (de obicei asta ai vrut) sau scoate random_state. ValueError: All the 5 fits failed. It is very likely that your model is misconfigured. cross_val_score, cross_validate sau GridSearchCV au încercat să antreneze modelul pe fiecare parte, iar toate antrenările au dat eroare. Citește mai jos, în același mesaj, secțiunea „fits failed with the following error”: acolo e eroarea reală (de exemplu un text în X sau un parametru greșit). 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.
