ValueError: Stratified train/test split is not implemented for shuffle=False
Ai cerut la `train_test_split` și `stratify=y`, și `shuffle=False`, iar cele două nu merg împreună: ca să păstreze proporția claselor, funcția trebuie să amestece rândurile. Alege una: dacă datele nu au ordine în timp, scoate `shuffle=False`; dacă au (serii de timp), scoate `stratify` și împarte cronologic.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
stratify=y alege rândurile pentru test astfel încât fiecare clasă să aibă aceeași proporție ca în tot setul. Pentru asta trebuie să ia rânduri din toată tabela, nu doar ultimele. shuffle=False cere exact opusul: primele rânduri merg în train, ultimele în test, în ordinea în care sunt. scikit-learn nu are o variantă care să le facă pe amândouă și oprește execuția.
Combinația apare de obicei din bune intenții: vrei rezultate reproductibile (pentru asta e random_state, nu shuffle=False) sau lucrezi cu date ordonate în timp și ai adăugat stratify din obișnuință. Gândește-te ce ordine au datele tale și ce vrei să simulezi: un viitor necunoscut (împărțire cronologică) sau un eșantion aleator (stratificat).
De ce apare: cauzele frecvente
1shuffle=False pus pentru reproductibilitate
train_test_split(X, y, test_size=0.25, stratify=y, shuffle=False)train_test_split(X, y, test_size=0.25, stratify=y, random_state=42)random_state fixează amestecarea, deci obții aceeași împărțire la fiecare rulare, cu proporții păstrate.
2Date ordonate în timp
train_test_split(X, y, test_size=0.2, stratify=y, shuffle=False)train_test_split(X, y, test_size=0.2, shuffle=False)La serii de timp testul trebuie să fie „viitorul”, deci păstrezi ordinea și renunți la stratificare.
3Validare încrucișată pe date în timp
StratifiedKFold(n_splits=5, shuffle=False) # date cronologiceTimeSeriesSplit(n_splits=5)TimeSeriesSplit antrenează mereu pe trecut și testează pe perioada următoare.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Stratified train/test split is not implemented for shuffle=False. Datele nu au ordine în timp, iar shuffle=False a fost pus doar ca împărțirea să iasă la fel la fiecare rulare. Înlocuiește-l cu random_state=0, ca programul să afișeze etichetele din test.
from sklearn.model_selection import train_test_split
# clienti sortati dupa eticheta: 6 raman (0), 2 pleaca (1)
X = [[i] for i in range(8)]
y = [0, 0, 0, 0, 0, 0, 1, 1]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.5, stratify=y, shuffle=False
)
print("Etichete train:", sorted(y_train))
print("Etichete test:", sorted(y_test))Etichete train: [0, 0, 0, 1] Etichete test: [0, 0, 0, 1]
Indiciu
Scoate shuffle=False și pune random_state=0.
Reparația
from sklearn.model_selection import train_test_split
# clienti sortati dupa eticheta: 6 raman (0), 2 pleaca (1)
X = [[i] for i in range(8)]
y = [0, 0, 0, 0, 0, 0, 1, 1]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.5, stratify=y, random_state=0
)
print("Etichete train:", sorted(y_train))
print("Etichete test:", sorted(y_test))De ce merge
Cu random_state=0, rândurile sunt amestecate mereu în același fel, deci rezultatul e reproductibil. stratify=y poate lucra acum: pune câte 3 clienți care rămân și câte 1 care pleacă în fiecare jumătate. Fără amestecare, testul ar fi luat ultimele 4 rânduri, adică ambii clienți care pleacă.
Alte forme ale mesajului
ValueError: Stratified train/test split is not implemented for shuffle=False
Cum o eviți pe viitor
Pentru reproductibilitate folosește mereu random_state, nu shuffle=False. Pune-ți întrebarea înainte de împărțire: datele au o ordine care contează (zile, luni, tranzacții în timp)? Dacă da, împarte cronologic și folosește TimeSeriesSplit. Dacă nu, amestecă și stratifică, mai ales la clase dezechilibrate.
Întrebări frecvente
Ce face shuffle=False fără stratify?
Ia ultimele rânduri ca test, în ordinea din tabel. E potrivit pentru serii de timp, dar periculos dacă tabelul e sortat după etichetă: atunci testul poate avea o singură clasă.
Pot stratifica și păstra ordinea în timp?
Nu cu train_test_split. La date în timp, verifică după împărțire proporția claselor în test și, dacă e nevoie, alege alt punct de tăiere.
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: Setting a random_state has no effect since shuffle is False. You should leave random_state to its default (None), or set shuffle=True. Ai dat random_state lui KFold sau StratifiedKFold fără shuffle=True. Fără amestecare, împărțirea în părți e mereu aceeași, deci random_state nu are ce controla. Adaugă shuffle=True (de obicei asta ai vrut) sau scoate random_state. ValueError: The test_size = 1 should be greater or equal to the number of classes = 2 Cu stratify=y, fiecare clasă trebuie să apară cel puțin o dată în setul de test, dar testul are mai puține exemple decât clase. Mărește test_size (de exemplu 0.3 în loc de 0.1) sau adună mai multe date. 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.
