ValueError: This solver needs samples of at least 2 classes in the data, but the data contains only one class: np.int64(1)
Datele de antrenare conțin o singură clasă (de exemplu doar 1), deci clasificatorul n-are între ce să aleagă. Verifică ținta cu y.value_counts(): de obicei un filtru, o sortare sau o împărțire fără stratify a lăsat în train o singură clasă.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Un clasificator învață să deosebească clasele între ele. Dacă în datele de antrenare există o singură clasă (toți clienții au fost aprobați, toate emailurile sunt spam), nu există nimic de deosebit, iar LogisticRegression și SVC se opresc cu mesajul acesta. Valoarea de la final este clasa unică găsită (np.int64(1) înseamnă clasa 1, scrisă în formatul numpy).
Rareori datele chiar au o singură clasă. De cele mai multe ori ai pierdut cealaltă clasă pe drum: ai filtrat rândurile (df[df["aprobat"] == 1]), ai împărțit un tabel sortat după țintă fără shuffle sau ai luat primele rânduri cu head(); ori, cu foarte puține date și clase rare, train_test_split a pus toate exemplele rare în test. În validarea încrucișată poate apărea doar la unele fold-uri.
De ce apare: cauzele frecvente
1Tabel sortat după țintă, împărțit fără amestecare
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, shuffle=False)
LogisticRegression().fit(X_train, y_train)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, stratify=y, random_state=0)
LogisticRegression().fit(X_train, y_train)Cu shuffle=False, prima jumătate a unui tabel sortat are o singură clasă. stratify=y păstrează proporția claselor în ambele părți.
2Filtru care a eliminat o clasă
activi = df[df["a_plecat"] == 0]
LogisticRegression().fit(activi[["vechime"]], activi["a_plecat"])LogisticRegression().fit(df[["vechime"]], df["a_plecat"])Modelul trebuie să vadă și clienții care au plecat, și pe cei care au rămas, ca să învețe diferența.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: This solver needs samples of at least 2 classes in the data, pentru că tabelul e sortat după țintă și împărțit fără amestecare, așa că train conține doar clienți aprobați. Repară împărțirea: folosește stratify=y și random_state=0 (fără shuffle=False), ca programul să afișeze clasele din train și acuratețea pe test.
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
df = pd.DataFrame({
"venit": [6.0, 7.5, 8.0, 6.5, 9.0, 7.0, 2.0, 3.0, 2.5, 3.5, 1.5, 4.0],
"aprobat": [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0],
})
X = df[["venit"]]
y = df["aprobat"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, shuffle=False)
model = LogisticRegression().fit(X_train, y_train)
print("Clase in train:", sorted(y_train.unique().tolist()))
print("Acuratete test:", model.score(X_test, y_test))Clase in train: [0, 1] Acuratete test: 1.0
Indiciu
Înlocuiește shuffle=False cu stratify=y, random_state=0.
Reparația
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
df = pd.DataFrame({
"venit": [6.0, 7.5, 8.0, 6.5, 9.0, 7.0, 2.0, 3.0, 2.5, 3.5, 1.5, 4.0],
"aprobat": [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0],
})
X = df[["venit"]]
y = df["aprobat"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5, stratify=y, random_state=0)
model = LogisticRegression().fit(X_train, y_train)
print("Clase in train:", sorted(y_train.unique().tolist()))
print("Acuratete test:", model.score(X_test, y_test))De ce merge
Primele șase rânduri sunt toate aprobate, iar cu shuffle=False și test_size=0.5 exact ele au ajuns în train. Regresia logistică nu poate învăța o frontieră între clase dacă vede o singură clasă. stratify=y amestecă rândurile și păstrează proporția claselor în ambele seturi, deci train are 3 clienți aprobați și 3 respinși. random_state=0 face împărțirea reproductibilă: la fiecare rulare obții aceleași seturi și aceeași acuratețe.
Alte forme ale mesajului
ValueError: This solver needs samples of at least 2 classes in the data, but the data contains only one class: 1ValueError: The number of classes has to be greater than one; got 1 class
Cum o eviți pe viitor
Verifică distribuția țintei înainte de fiecare fit: y_train.value_counts(). Folosește train_test_split(..., stratify=y) la clasificare și StratifiedKFold la validarea încrucișată. Nu antrena pe un subset filtrat după țintă. Dacă o clasă e foarte rară, ai nevoie de mai multe date sau de alte metode (de exemplu detecția anomaliilor).
Întrebări frecvente
De ce apare doar uneori, în validarea încrucișată?
Când clasele sunt foarte dezechilibrate și datele puține, unele fold-uri pot ajunge să aibă o singură clasă la antrenare. StratifiedKFold (implicit pentru clasificatori în cross_val_score) reduce riscul, dar dacă ai mai puține exemple rare decât fold-uri, problema rămâne.
Arborii de decizie dau aceeași eroare?
Nu. DecisionTreeClassifier acceptă o singură clasă și va prezice mereu clasa respectivă. Asta nu e un model util, deci problema din date rămâne.
Erori înrudite
ValueError: The least populated classes in y have only 1 member, which is too few. The minimum number of groups for any class cannot be less than 2. Ai folosit train_test_split cu stratify=y, iar o clasă apare o singură dată, deci nu poate fi pusă și în train, și în test. Adună mai multe exemple pentru clasa rară, unește-o cu o clasă înrudită sau elimină rândul ei înainte de împărțire. ValueError: Unknown label type: continuous. Maybe you are trying to fit a classifier, which expects discrete classes on a regression target with continuous values. Ai dat unui clasificator o țintă cu valori continue (prețuri, note cu zecimale), iar el așteaptă clase. Dacă vrei să prezici un număr, folosește un model de regresie (LinearRegression, DecisionTreeRegressor); dacă vrei clase, transformă ținta în categorii, de exemplu cu un prag. 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.
