ValueError: n_samples=3 should be >= n_clusters=4.
Ai cerut lui KMeans mai multe grupuri (n_clusters) decât puncte ai în date: fiecare grup are nevoie de cel puțin un punct. Micșorează n_clusters sau verifică dacă X are cu adevărat atâtea rânduri câte crezi (de exemplu că nu e transpus).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
k-means pornește cu n_clusters centre și atribuie fiecare punct celui mai apropiat. Dacă ai mai puține puncte decât centre, unele grupuri ar rămâne goale, așa că KMeans se oprește la fit cu mesajul acesta. Numerele din mesaj îți spun exact câte rânduri are X (n_samples) și câte grupuri ai cerut.
Ca la multe erori de formă, cauza e des în date, nu în parametru: X a fost transpus sau construit ca un singur rând (de exemplu reshape(1, -1)), deci în loc de 100 de clienți cu 3 caracteristici ai 3 „clienți” cu 100 de caracteristici. Alte situații: un filtru care a lăsat puține rânduri sau o grupare făcută pe fiecare categorie în parte, unde unele categorii au foarte puține puncte. Aceeași regulă apare și la alte metode de clustering, precum AgglomerativeClustering.
De ce apare: cauzele frecvente
1Mai multe grupuri decât puncte
KMeans(n_clusters=4, n_init=10).fit(X) # X are 3 rânduriKMeans(n_clusters=2, n_init=10).fit(X)Numărul de grupuri trebuie să fie cel mult egal cu numărul de puncte; în practică, mult mai mic.
2X transpus din greșeală
X = df[["suma", "frecventa", "recenta"]].to_numpy().T
KMeans(n_clusters=4, n_init=10).fit(X)X = df[["suma", "frecventa", "recenta"]].to_numpy()
KMeans(n_clusters=4, n_init=10).fit(X)Fără .T, X are câte un rând pe client, iar k-means grupează clienții, nu caracteristicile.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: n_samples=3 should be >= n_clusters=4., pentru că tabelul clienților a fost transpus cu .T, iar k-means vede 3 „puncte”. Repară X: elimină transpunerea, ca programul să afișeze forma lui X și câți clienți are fiecare grup.
import numpy as np
from sklearn.cluster import KMeans
# suma cheltuita, numar de comenzi, zile de la ultima comanda
clienti = np.array([
[100, 2, 60], [120, 3, 55], [90, 1, 70],
[800, 15, 5], [750, 12, 8], [820, 14, 3],
[400, 7, 20], [380, 6, 25],
])
X = clienti.T
km = KMeans(n_clusters=4, n_init=10, random_state=0).fit(X)
print("Forma X:", X.shape)
print("Clienti pe grup:", sorted(np.bincount(km.labels_).tolist()))Forma X: (8, 3) Clienti pe grup: [1, 2, 2, 3]
Indiciu
Șterge .T de la construirea lui X.
Reparația
import numpy as np
from sklearn.cluster import KMeans
# suma cheltuita, numar de comenzi, zile de la ultima comanda
clienti = np.array([
[100, 2, 60], [120, 3, 55], [90, 1, 70],
[800, 15, 5], [750, 12, 8], [820, 14, 3],
[400, 7, 20], [380, 6, 25],
])
X = clienti
km = KMeans(n_clusters=4, n_init=10, random_state=0).fit(X)
print("Forma X:", X.shape)
print("Clienti pe grup:", sorted(np.bincount(km.labels_).tolist()))De ce merge
Tabelul are 8 clienți și 3 caracteristici, deci forma corectă este (8, 3). .T l-a întors pe dos, în (3, 8): pentru k-means, 3 puncte cu câte 8 coordonate, prea puține pentru 4 grupuri. Fără transpunere, k-means împarte cei 8 clienți în 4 grupuri, după sumă, număr de comenzi și recență. Pentru că suma cheltuită are valori mult mai mari decât celelalte coloane, ea cântărește cel mai mult; într-un proiect real ai scala datele înainte. sorted(...) afișează mărimile grupurilor în ordine, ca rezultatul să nu depindă de numerotarea grupurilor.
Alte forme ale mesajului
ValueError: n_samples=1 should be >= n_clusters=3.
Cum o eviți pe viitor
Verifică X.shape înainte de clustering: primul număr trebuie să fie numărul de entități pe care vrei să le grupezi (clienți, produse). Alege n_clusters cu metoda cotului sau cu scorul siluetă, pe un interval rezonabil (de exemplu de la 2 la 10), mult sub numărul de puncte.
Întrebări frecvente
Câte grupuri să aleg?
Încearcă mai multe valori și urmărește inerția (metoda cotului) și scorul siluetă. Alege numărul după care inerția nu mai scade semnificativ și grupurile au sens pentru problema ta.
De ce trebuie n_init=10?
k-means pornește din centre alese aleatoriu, iar rezultatul depinde de start. n_init=10 rulează algoritmul de 10 ori și păstrează cel mai bun rezultat. În versiunile noi valoarea implicită e "auto".
Erori înrudite
ValueError: Expected n_neighbors <= n_samples_fit, but n_neighbors = 5, n_samples_fit = 3, n_samples = 1 k-NN caută 5 vecini (valoarea implicită), dar a fost antrenat pe doar 3 exemple. Alege n_neighbors cel mult egal cu numărul de rânduri de antrenare (de exemplu n_neighbors=3) sau antrenează pe mai multe date. ValueError: n_components=3 must be between 0 and min(n_samples, n_features)=2 with svd_solver='full' Ai cerut PCA mai multe componente decât permit datele: numărul de componente nu poate depăși nici numărul de caracteristici, nici numărul de rânduri. Micșorează n_components, de exemplu la 2, sau dă o proporție (n_components=0.95) ca să păstrezi 95% din varianță. 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.
