ValueError: test_size=30 should be either positive and smaller than the number of samples 10 or a float in the (0, 1) range
Ai dat test_size un număr care nu are sens: aici 30 (probabil voiai 30%), dar datele au doar 10 rânduri. test_size acceptă fie o fracție între 0 și 1 (0.3 = 30%), fie un număr întreg de rânduri mai mic decât totalul.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
train_test_split interpretează test_size în două feluri, după tip:
- un float între 0 și 1 este o proporție:
0.3înseamnă 30% din rânduri; - un int este un număr exact de rânduri:
30înseamnă 30 de rânduri în test.
Dacă scrii test_size=30 gândindu-te la procente, iar tabelul are mai puțin de 30 de rânduri, cererea e imposibilă și primești mesajul acesta. Același lucru se întâmplă cu test_size=1.0 sau test_size=1.5 (proporții care nu lasă nimic pentru antrenare) sau cu un număr negativ. Mesajul îți spune valoarea primită și câte rânduri există, ca să vezi imediat diferența. train_size are exact aceleași reguli și un mesaj similar.
De ce apare: cauzele frecvente
1Procent scris ca număr întreg
train_test_split(X, y, test_size=30)train_test_split(X, y, test_size=0.3)0.3 este 30% din rânduri, indiferent câte sunt.
2Proporție care nu lasă nimic pentru antrenare
train_test_split(X, y, test_size=1.0)train_test_split(X, y, test_size=0.2)O proporție trebuie să fie strict între 0 și 1, ca ambele seturi să aibă rânduri.
3Număr de rânduri mai mare decât datele
train_test_split(X, y, test_size=500) # X are 200 de rânduritrain_test_split(X, y, test_size=50)Un întreg trebuie să fie mai mic decât numărul total de exemple.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: test_size=30 should be either positive and smaller than the number of samples 10..., pentru că 30% a fost scris ca 30. Repară împărțirea: pune 30% din date în test, ca programul să afișeze câte rânduri are fiecare set.
import numpy as np
from sklearn.model_selection import train_test_split
X = np.arange(10).reshape(-1, 1)
y = np.array([0, 1, 0, 1, 0, 1, 0, 1, 0, 1])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=30, random_state=42)
print("Train:", len(X_train))
print("Test:", len(X_test))Train: 7 Test: 3
Indiciu
Proporția 30% se scrie test_size=0.3.
Reparația
import numpy as np
from sklearn.model_selection import train_test_split
X = np.arange(10).reshape(-1, 1)
y = np.array([0, 1, 0, 1, 0, 1, 0, 1, 0, 1])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
print("Train:", len(X_train))
print("Test:", len(X_test))De ce merge
Un int la test_size înseamnă număr de rânduri, iar 30 de rânduri nu încap într-un tabel cu 10. Un float înseamnă proporție: 0.3 din 10 rânduri sunt 3 rânduri de test, iar restul de 7 rămân pentru antrenare. Proporția are avantajul că rămâne corectă și când tabelul crește, fără să schimbi codul.
Alte forme ale mesajului
ValueError: test_size=1.5 should be either positive and smaller than the number of samples 10 or a float in the (0, 1) rangeValueError: train_size=100 should be either positive and smaller than the number of samples 80 or a float in the (0, 1) range
Cum o eviți pe viitor
Folosește aproape mereu o proporție (test_size=0.2 sau 0.25), care funcționează oricâte rânduri ai. Dacă vrei un număr fix de rânduri, verifică întâi len(X). Pune și random_state, ca împărțirea să fie aceeași la fiecare rulare. La clasificare adaugă și stratify=y, ca proporția claselor să fie aceeași în train și în test. Afișează len(X_train) și len(X_test) după împărțire, ca să confirmi că ai obținut ce voiai.
Întrebări frecvente
Ce test_size să aleg?
Valori uzuale sunt între 0.2 și 0.3. Cu foarte puține date, un set de test mic e nesigur; acolo validarea încrucișată îți dă o estimare mai bună.
Ce face test_size=0?
E respins: setul de test ar fi gol. Dacă vrei să antrenezi pe toate datele, nu mai apela train_test_split.
Erori înrudite
ValueError: With n_samples=1, test_size=0.3 and train_size=None, the resulting train set will be empty. Adjust any of the aforementioned parameters. train_test_split a primit prea puține rânduri (aici unul singur), așa că după ce pune deoparte setul de test nu mai rămâne nimic pentru antrenare. De obicei un filtru a lăsat aproape nimic în tabel (o greșeală de scriere, majuscule, spații) sau ai împărțit un subset prea mic. 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. 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.
