ValueError: Mean Squared Logarithmic Error cannot be used when targets contain values less than or equal to -1.
Eroarea logaritmică (MSLE, RMSLE) calculează log(1 + y), care nu există pentru y ≤ -1. De obicei vinovate sunt predicțiile: o regresie liniară poate prezice valori negative. Taie predicțiile la zero cu np.clip(y_pred, 0, None), sau folosește altă metrică (MAE, RMSE).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
mean_squared_log_error și root_mean_squared_log_error compară log(1 + y_true) cu log(1 + y_pred). Logaritmul există doar pentru numere pozitive, deci 1 + y trebuie să fie mai mare decât 0, adică y mai mare decât -1. Mesajul spune că în ținte (reale sau prezise) există o valoare ≤ -1. În versiunile mai vechi, mesajul era „cannot be used when targets contain negative values”.
Metrica e potrivită pentru cantități pozitive cu scară mare (prețuri, vânzări, număr de vizite), unde contează eroarea relativă. Problema: modelele liniare nu știu că ținta e pozitivă și pot prezice valori negative pentru exemple mici. Câteodată ținta însăși are valori negative (profit, variații), caz în care MSLE nu e metrica potrivită.
De ce apare: cauzele frecvente
1Regresia prezice valori negative
y_pred = model.predict(X_test)
mean_squared_log_error(y_test, y_pred)y_pred = np.clip(model.predict(X_test), 0, None)
mean_squared_log_error(y_test, y_pred)Vânzările nu pot fi negative, deci tăierea la zero e corectă și face logaritmul posibil.
2Ținta are valori negative
mean_squared_log_error(profit_real, profit_prezis) # profit poate fi -500mean_absolute_error(profit_real, profit_prezis)Pentru ținte care pot fi negative, MSLE nu are sens. MAE sau RMSE funcționează pe orice valori.
3Antrenezi pe logaritm, prezici pe scara reală
model.fit(X, y) # y pozitiv, predictiile pot iesi negativefrom sklearn.compose import TransformedTargetRegressor
model = TransformedTargetRegressor(LinearRegression(), func=np.log1p, inverse_func=np.expm1).fit(X, y)Modelul învață pe log1p(y), iar expm1 aduce predicțiile înapoi, mereu mai mari decât -1.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Mean Squared Logarithmic Error cannot be used when targets contain values less than or equal to -1, pentru că dreapta prezice vânzări negative pentru prima zi de test. Taie predicțiile la zero înainte de metrică, ca programul să afișeze predicțiile și MSLE.
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_log_error
# promotii pe zi -> vanzari
X_train = [[1], [2], [3], [4]]
y_train = [1, 5, 9, 13]
X_test = [[0], [5]]
y_test = [0.5, 17]
model = LinearRegression().fit(X_train, y_train)
y_pred = model.predict(X_test)
print("Predictii:", [round(float(v), 2) for v in y_pred])
print("MSLE:", round(float(mean_squared_log_error(y_test, y_pred)), 4))Predictii: [0.0, 17.0] MSLE: 0.0822
Indiciu
Folosește y_pred = np.clip(model.predict(X_test), 0, None).
Reparația
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_log_error
# promotii pe zi -> vanzari
X_train = [[1], [2], [3], [4]]
y_train = [1, 5, 9, 13]
X_test = [[0], [5]]
y_test = [0.5, 17]
model = LinearRegression().fit(X_train, y_train)
y_pred = np.clip(model.predict(X_test), 0, None)
print("Predictii:", [round(float(v), 2) for v in y_pred])
print("MSLE:", round(float(mean_squared_log_error(y_test, y_pred)), 4))De ce merge
Dreapta învățată este y = 4x - 3, deci pentru zero promoții prezice -3 vânzări, imposibil în realitate și interzis pentru logaritm. np.clip înlocuiește valoarea cu 0, iar MSLE devine media dintre (log 1,5 - log 1)² și 0, adică aproximativ 0,0822.
Alte forme ale mesajului
ValueError: Mean Squared Logarithmic Error cannot be used when targets contain negative values.ValueError: Root Mean Squared Logarithmic Error cannot be used when targets contain values less than or equal to -1.
Cum o eviți pe viitor
Alege metrica după tipul țintei: MSLE doar pentru valori nenegative. Când folosești o regresie liniară pentru cantități pozitive, aplică np.clip(y_pred, 0, None) sau antrenează pe logaritm cu TransformedTargetRegressor. Verifică y_pred.min() după predicție: dacă e negativ, modelul nu înțelege încă limitele datelor.
Întrebări frecvente
De ce limita e -1, nu 0?
Pentru că metrica folosește log(1 + y). Pentru y între -1 și 0, logaritmul există (e negativ), deci calculul merge, chiar dacă rareori are sens.
Când e mai bună MSLE decât RMSE?
Când contează eroarea relativă: o greșeală de 100 de lei la un produs de 200 e mult mai gravă decât la unul de 20000. MSLE penalizează diferențele de proporție, nu de valoare absolută.
Erori înrudite
TypeError: got an unexpected keyword argument 'squared' Parametrul squared al lui mean_squared_error (folosit cu squared=False pentru RMSE) a fost scos în scikit-learn 1.6. Folosește funcția nouă: from sklearn.metrics import root_mean_squared_error și rmse = root_mean_squared_error(y_true, y_pred). ValueError: Input X contains infinity or a value too large for dtype('float64'). În X există o valoare infinită (inf) sau un număr prea mare pentru float64. De obicei vine dintr-o împărțire la zero într-o caracteristică calculată de tine. Înlocuiește inf cu NaN și tratează golurile, sau evită împărțirea la zero. UndefinedMetricWarning: R^2 score is not well-defined with less than two samples. Ai calculat R² pe un singur exemplu, iar R² compară eroarea modelului cu variația valorilor reale, care la un singur exemplu nu există. Rezultatul e nan. Evaluează pe un set de test cu mai multe exemple, sau folosește o metrică precum MAE. 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.
