ValueError: Number of classes, 3, does not match size of target_names, 2. Try specifying the labels parameter
Ai dat lui classification_report o listă target_names cu alt număr de nume decât clasele găsite în y_true și y_pred. Pune câte un nume pentru fiecare clasă, în ordinea sortată a claselor, sau dă și labels=[...] ca să alegi exact ce clase apar în raport.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
classification_report găsește clasele din y_true și y_pred (reunite și sortate) și scrie câte un rând pentru fiecare. target_names sunt doar etichetele afișate pentru rândurile acelea, în aceeași ordine. Dacă lista are alt număr de elemente, raportul nu știe ce nume să pună unde și se oprește. Mesajul îți dă ambele numere: 3 clase găsite, 2 nume primite.
Cauze frecvente: ai uitat o clasă în listă, o clasă apare doar în predicții (modelul a prezis-o, deși nu e în test), ai copiat numele de la alt set de date sau testul e prea mic și lipsește o clasă (atunci ai mai multe nume decât clase). Sfatul din mesaj, labels, rezolvă cazul al doilea: labels=[0, 1, 2] fixează lista claselor, chiar dacă unele nu apar în test.
De ce apare: cauzele frecvente
1Lipsește un nume din listă
classification_report(y_test, y_pred, target_names=["setosa", "versicolor"])classification_report(y_test, y_pred, target_names=["setosa", "versicolor", "virginica"])Trei clase au nevoie de trei nume, în ordinea 0, 1, 2.
2O clasă lipsește din test
# y_test are doar clasele 0 și 1
classification_report(y_test, y_pred, target_names=["mic", "mediu", "mare"])classification_report(y_test, y_pred, labels=[0, 1, 2],
target_names=["mic", "mediu", "mare"], zero_division=0)labels fixează cele trei clase, iar clasa care lipsește apare în raport cu suport 0.
3Numele luate direct de la model
classification_report(y_test, y_pred, target_names=["da", "nu", "poate"])print(model.classes_)
classification_report(y_test, y_pred, labels=model.classes_,
target_names=[str(c) for c in model.classes_])model.classes_ îți arată exact clasele și ordinea lor, deci numele nu mai pot fi decalate.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Number of classes, 3, does not match size of target_names, 2, pentru că lista de nume nu conține clasa 2 (mare). Completează lista, ca programul să afișeze acuratețea și numele claselor din raport.
from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 1, 0, 2, 1]
y_pred = [0, 1, 2, 1, 1, 0, 2, 1]
nume = ["mic", "mediu"]
raport = classification_report(y_true, y_pred, target_names=nume, output_dict=True)
print("Acuratete:", raport["accuracy"])
print("Clase:", [n for n in raport if n in nume])Acuratete: 0.875 Clase: ['mic', 'mediu', 'mare']
Indiciu
nume = ["mic", "mediu", "mare"].
Reparația
from sklearn.metrics import classification_report
y_true = [0, 1, 2, 2, 1, 0, 2, 1]
y_pred = [0, 1, 2, 1, 1, 0, 2, 1]
nume = ["mic", "mediu", "mare"]
raport = classification_report(y_true, y_pred, target_names=nume, output_dict=True)
print("Acuratete:", raport["accuracy"])
print("Clase:", [n for n in raport if n in nume])De ce merge
Raportul găsește trei clase (0, 1 și 2) și are nevoie de câte un nume pentru fiecare, în ordinea lor. Cu lista completă, rândul clasei 2 primește numele mare. Din cele 8 predicții, 7 sunt corecte (o clasă mare a fost prezisă mediu), deci acuratețea este 0.875.
Alte forme ale mesajului
ValueError: Number of classes, 2, does not match size of target_names, 3. Try specifying the labels parameter
Cum o eviți pe viitor
Construiește target_names din aceeași sursă ca etichetele: la seturile din sklearn.datasets, folosește date.target_names; pentru propriile clase, păstrează un dicționar {0: "mic", 1: "mediu", 2: "mare"} și dă-l mereu împreună cu labels=list(nume.keys()). Așa raportul are aceeași formă indiferent ce clase apar în test.
Întrebări frecvente
Contează ordinea numelor din target_names?
Da. Primul nume merge la clasa cea mai mică după sortare, al doilea la următoarea și așa mai departe. Dacă pui numele în altă ordine, raportul nu dă eroare, dar etichetează greșit rândurile.
De ce apar 3 clase, deși testul are doar 2?
Raportul reunește clasele din y_true și din y_pred. Dacă modelul a prezis o clasă care nu e în test, ea apare și ea în raport.
Erori înrudite
ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted']. Ai calculat precision, recall sau F1 pe o problemă cu mai mult de două clase, iar implicit aceste funcții presupun două clase. Alege explicit cum se face media: average='macro' (toate clasele la fel), 'weighted' (după numărul de exemple) sau None (scor pe fiecare clasă). UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 due to no predicted samples. Use `zero_division` parameter to control this behavior. Modelul n-a prezis niciodată clasa pozitivă, deci precizia ar fi 0 împărțit la 0; scikit-learn o pune 0 și te avertizează. Cauza reală e de obicei un model care prezice doar clasa majoritară. Echilibrează clasele (class_weight='balanced', prag mai mic) și setează zero_division explicit. ValueError: pos_label=1 is not a valid label. It should be one of ['da', 'nu'] Etichetele tale sunt texte ('da', 'nu'), dar metrica (precision_score, recall_score, f1_score) caută implicit clasa pozitivă 1. Spune-i care e clasa pozitivă: pos_label='da', sau transformă etichetele în 0/1. 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.
