ValueError: Negative values in data passed to MultinomialNB (input X).
MultinomialNB lucrează cu numărări și frecvențe (de câte ori apare un cuvânt), care nu pot fi negative. Valorile negative vin de obicei de la StandardScaler pus înaintea lui. Scoate scalerul, folosește MinMaxScaler sau alege GaussianNB pentru date numerice obișnuite.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Naive Bayes multinomial presupune că fiecare caracteristică este o numărare: de câte ori apare un cuvânt într-un mesaj, câte produse dintr-o categorie a cumpărat un client. O numărare negativă n-are sens, iar calculul probabilităților ar da rezultate fără sens, de aceea modelul verifică datele și se oprește.
Cel mai des, negativele apar pentru că ai pus StandardScaler înainte (standardizarea produce mereu valori negative, sub medie), ai dat modelului coloane precum diferențe de preț sau temperaturi, ori ai folosit PCA/TruncatedSVD, care produc și ele valori negative. Pentru text, dă-i direct ieșirea lui CountVectorizer sau TfidfVectorizer. Pentru date numerice obișnuite, potrivit este GaussianNB. Dacă trebuie să păstrezi MultinomialNB pe numere, MinMaxScaler aduce valorile în [0, 1]. Același mesaj îl dau ComplementNB și CategoricalNB, iar chi2 din selecția de trăsături are o verificare asemănătoare.
De ce apare: cauzele frecvente
1StandardScaler înainte de MultinomialNB
pipe = make_pipeline(CountVectorizer(), StandardScaler(with_mean=False), MultinomialNB())
# sau pe date numerice:
make_pipeline(StandardScaler(), MultinomialNB())pipe = make_pipeline(CountVectorizer(), MultinomialNB())Numărările de cuvinte merg direct în model. Standardizarea creează valori negative pe datele numerice.
2Date numerice continue
MultinomialNB().fit(df[["temperatura", "variatie_pret"]], y)GaussianNB().fit(df[["temperatura", "variatie_pret"]], y)GaussianNB presupune valori continue (distribuție normală pe fiecare clasă) și acceptă orice semn.
3Trebuie să păstrezi MultinomialNB
make_pipeline(StandardScaler(), MultinomialNB())make_pipeline(MinMaxScaler(), MultinomialNB())MinMaxScaler aduce fiecare coloană în intervalul [0, 1], deci nu mai există valori negative.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Negative values in data passed to MultinomialNB (input X)., pentru că StandardScaler transformă numărul de produse cumpărate în valori și negative. Înlocuiește scalerul cu MinMaxScaler, ca programul să afișeze valoarea minimă după scalare și predicțiile pentru doi clienți noi.
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import StandardScaler
# produse cumparate: electronice, carti, jucarii
X = [[5, 0, 1], [4, 1, 0], [6, 0, 0], [0, 4, 3], [1, 5, 2], [0, 3, 4]]
y = ["tech", "tech", "tech", "familie", "familie", "familie"]
scaler = StandardScaler().fit(X)
X_sc = scaler.transform(X)
model = MultinomialNB().fit(X_sc, y)
print("Minim dupa scalare:", X_sc.min())
print("Predictii:", model.predict(scaler.transform([[3, 0, 0], [0, 2, 2]])).tolist())Minim dupa scalare: 0.0 Predictii: ['tech', 'familie']
Indiciu
Importă și folosește MinMaxScaler() în locul lui StandardScaler().
Reparația
from sklearn.naive_bayes import MultinomialNB
from sklearn.preprocessing import MinMaxScaler
# produse cumparate: electronice, carti, jucarii
X = [[5, 0, 1], [4, 1, 0], [6, 0, 0], [0, 4, 3], [1, 5, 2], [0, 3, 4]]
y = ["tech", "tech", "tech", "familie", "familie", "familie"]
scaler = MinMaxScaler().fit(X)
X_sc = scaler.transform(X)
model = MultinomialNB().fit(X_sc, y)
print("Minim dupa scalare:", X_sc.min())
print("Predictii:", model.predict(scaler.transform([[3, 0, 0], [0, 2, 2]])).tolist())De ce merge
StandardScaler scade media, deci orice valoare sub medie devine negativă, iar MultinomialNB acceptă doar valori nenegative. MinMaxScaler aduce fiecare coloană în intervalul [0, 1], cu minimul exact 0. Clientul care a cumpărat doar electronice e clasificat tech, iar cel cu cărți și jucării, familie. Pe numărări simple, ca acestea, MultinomialNB ar merge și fără niciun scaler.
Alte forme ale mesajului
ValueError: Negative values in data passed to ComplementNB (input X).ValueError: Negative values in data passed to MultinomialNB (input X)ValueError: Input X must be non-negative.
Cum o eviți pe viitor
Alege varianta de Naive Bayes după date: MultinomialNB pentru numărări și TF-IDF, BernoulliNB pentru prezență/absență (0/1), GaussianNB pentru numere continue. Nu pune StandardScaler înaintea unui model care cere valori nenegative. Verifică rapid cu (X < 0).sum() înainte de antrenare. Pune într-un comentariu de lângă model ce tip de date așteaptă.
Întrebări frecvente
Merge MultinomialNB cu TF-IDF, deși nu sunt numărări întregi?
Da. Valorile TF-IDF sunt nenegative, iar modelul acceptă și frecvențe fracționare. În practică, combinația TF-IDF + MultinomialNB funcționează bine pentru clasificarea textelor.
De ce StandardScaler(with_mean=False) dă tot valori negative?
Pe matrici rare cu valori pozitive, nu: împărțirea la deviația standard păstrează semnul. Dacă vezi totuși negative, datele aveau deja valori negative înainte de scaler.
Erori înrudite
TypeError: Sparse data was passed for X, but dense data is required. Use '.toarray()' to convert to a dense numpy array. Modelul (de exemplu GaussianNB, HistGradientBoosting, PCA) acceptă doar tablouri obișnuite, dar a primit o matrice rară (sparse) de la CountVectorizer, TfidfVectorizer sau OneHotEncoder. Convertește cu X.toarray(), setează sparse_output=False la encoder sau alege un model care acceptă matrici rare (MultinomialNB, LogisticRegression). ValueError: Cannot center sparse matrices: pass `with_mean=False` instead. See docstring for motivation and alternatives. StandardScaler încearcă să scadă media din fiecare coloană, dar pe o matrice rară (de la TfidfVectorizer, CountVectorizer, OneHotEncoder) asta ar transforma toate zerourile în valori nenule. Folosește StandardScaler(with_mean=False) sau MaxAbsScaler, ori renunță la scalare pentru TF-IDF. ValueError: empty vocabulary; perhaps the documents only contain stop words CountVectorizer sau TfidfVectorizer n-a găsit niciun cuvânt în texte: toate au fost goale, eliminate ca stop words sau prea scurte (implicit, un cuvânt are minimum 2 caractere). Afișează textele exact cum ajung la vectorizer și verifică curățarea, stop_words și token_pattern. 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.
