...
Eroare Machine Learning · Modele: convergență, k-NN, k-means

ValueError: Mean Squared Logarithmic Error cannot be used when targets contain values less than or equal to -1.

Pe scurt

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

Greșit
PYTHON
y_pred = model.predict(X_test)
mean_squared_log_error(y_test, y_pred)
Corect
PYTHON
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

Greșit
PYTHON
mean_squared_log_error(profit_real, profit_prezis)  # profit poate fi -500
Corect
PYTHON
mean_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

Greșit
PYTHON
model.fit(X, y)  # y pozitiv, predictiile pot iesi negative
Corect
PYTHON
from 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 tu

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.

Codul care dă eroarea
PYTHON
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))
După reparație, programul afișează
Predictii: [0.0, 17.0]
MSLE: 0.0822
Indiciu

Folosește y_pred = np.clip(model.predict(X_test), 0, None).

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

← 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.