...
Eroare Machine Learning · Împărțirea datelor și validarea încrucișată

ValueError: The least populated classes in y have only 1 member, which is too few. The minimum number of groups for any class cannot be less than 2.

Pe scurt

Ai folosit train_test_split cu stratify=y, iar o clasă apare o singură dată, deci nu poate fi pusă și în train, și în test. Adună mai multe exemple pentru clasa rară, unește-o cu o clasă înrudită sau elimină rândul ei înainte de împărțire.

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

Ce înseamnă

stratify=y cere ca proporția fiecărei clase să fie aceeași în train și în test. Pentru asta, fiecare clasă trebuie să aibă cel puțin 2 exemple: unul pentru fiecare parte. Când o clasă apare o singură dată, împărțirea stratificată e imposibilă, iar mesajul îți spune și ce clase sunt de vină: Classes with too few members are: [2].

În versiunile mai vechi de scikit-learn mesajul începea cu The least populated class in y has only 1 member; sensul e același. Apare la date mici, la etichete scrise inconsecvent ("Cluj" și "cluj" devin două clase, una cu un singur exemplu) sau la o țintă cu prea multe categorii rare. Verifică cu y.value_counts(). Rudă apropiată: avertismentul The least populated class in y has only 2 members, which is less than n_splits=5, la validarea încrucișată stratificată.

De ce apare: cauzele frecvente

1O clasă cu un singur exemplu

Greșit
PYTHON
y = df["categorie"]  # "premium" apare o dată
train_test_split(X, y, test_size=0.3, stratify=y)
Corect
PYTHON
df = df[df["categorie"].map(df["categorie"].value_counts()) >= 2]
train_test_split(df[["pret"]], df["categorie"], test_size=0.3, stratify=df["categorie"])

Păstrezi doar clasele cu cel puțin două exemple, deci fiecare poate avea un reprezentant în train și unul în test.

2Aceeași clasă scrisă în două feluri

Greșit
PYTHON
y = df["oras"]  # "Cluj", "cluj", "Iasi"
train_test_split(X, y, stratify=y)
Corect
PYTHON
y = df["oras"].str.strip().str.capitalize()
train_test_split(X, y, stratify=y)

După normalizare, "cluj" și "Cluj" sunt aceeași clasă, cu mai multe exemple.

3Clasă rară care poate fi unită cu alta

Greșit
PYTHON
y = df["tip_abonament"]  # "anual_plus" are 1 client
Corect
PYTHON
y = df["tip_abonament"].replace({"anual_plus": "anual"})

Dacă o categorie e prea rară ca să fie învățată, uneori are sens s-o unești cu categoria cea mai apropiată.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: The least populated classes in y have only 1 member..., pentru că orașul "cluj" e scris cu literă mică pe un rând și devine o clasă separată. Repară-l: normalizează ținta cu .str.capitalize() înainte de împărțire, ca programul să afișeze câte exemple are fiecare oraș și dimensiunea setului de test.

Codul care dă eroarea
PYTHON
import pandas as pd
from sklearn.model_selection import train_test_split

df = pd.DataFrame({
    "suprafata": [50, 60, 55, 70, 80, 65, 45, 75],
    "oras": ["Cluj", "Iasi", "Cluj", "Iasi", "cluj", "Iasi", "Cluj", "Iasi"],
})
X = df[["suprafata"]]
y = df["oras"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, stratify=y, random_state=0)
print("Exemple pe oras:", y.value_counts().sort_index().to_dict())
print("Test:", len(X_test))
După reparație, programul afișează
Exemple pe oras: {'Cluj': 4, 'Iasi': 4}
Test: 4
Indiciu

Construiește ținta cu df["oras"].str.capitalize().

Alte forme ale mesajului

  • ValueError: The least populated class in y has only 1 member, which is too few. The minimum number of groups for any class cannot be less than 2.
  • UserWarning: The least populated class in y has only 2 members, which is less than n_splits=5.

Cum o eviți pe viitor

Înainte de orice împărțire stratificată, rulează y.value_counts() și caută clasele cu 1 sau 2 exemple. Normalizează textul etichetelor (strip, litere mici sau mari) și decide explicit ce faci cu clasele foarte rare: le unești, le elimini sau aduni mai multe date. La validarea încrucișată, alege un număr de fold-uri mai mic sau egal cu numărul de exemple al celei mai mici clase.

Întrebări frecvente

Dacă scot stratify, scap de eroare?

Da, dar exemplul unic va ajunge fie numai în train, fie numai în test. Dacă ajunge în test, modelul nu l-a văzut niciodată; dacă ajunge în train, nu-l poți evalua. Clasa rămâne, practic, imposibil de învățat.

Câte exemple are nevoie o clasă?

Minimum 2 ca împărțirea să fie posibilă, dar pentru un model util ai nevoie de mult mai multe. O clasă cu 2-3 exemple este, de obicei, un semn că trebuie unită cu alta sau că îți lipsesc date.

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.