...
Eroare Machine Learning · Împărțirea datelor și validarea încrucișată

ValueError: Stratified train/test split is not implemented for shuffle=False

Pe scurt

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

Greșit
PYTHON
train_test_split(X, y, test_size=0.25, stratify=y, shuffle=False)
Corect
PYTHON
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

Greșit
PYTHON
train_test_split(X, y, test_size=0.2, stratify=y, shuffle=False)
Corect
PYTHON
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

Greșit
PYTHON
StratifiedKFold(n_splits=5, shuffle=False)  # date cronologice
Corect
PYTHON
TimeSeriesSplit(n_splits=5)

TimeSeriesSplit antrenează mereu pe trecut și testează pe perioada următoare.

Repară tu

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.

Codul care dă eroarea
PYTHON
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))
După reparație, programul afișează
Etichete train: [0, 0, 0, 1]
Etichete test: [0, 0, 0, 1]
Indiciu

Scoate shuffle=False și pune random_state=0.

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

← Toate erorile Machine Learning

Tudor Andrei Dumitrescu
Cine a explicat eroarea

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Fiecare eroare de aici a fost reprodusă în editorul nostru: codul greșit chiar dă mesajul din titlu, iar reparația chiar funcționează.

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.