ValueError: The 'groups' parameter should not be None.
Ai folosit GroupKFold (sau LeaveOneGroupOut, GroupShuffleSplit), care împarte datele după grupuri, dar nu i-ai dat grupurile. Trimite groups=... la split sau la cross_val_score, de exemplu id-ul clientului pentru fiecare rând.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Împărțirile pe grupuri (GroupKFold, StratifiedGroupKFold, GroupShuffleSplit, LeaveOneGroupOut) au un scop clar: toate rândurile aceluiași grup (același client, pacient, magazin) ajung fie la antrenare, fie la test, niciodată în ambele. Altfel modelul „vede” clientul la antrenare și pare mai bun la test decât e în realitate.
Pentru asta au nevoie de un tablou groups, cu câte o valoare pentru fiecare rând. Mesajul spune că nu l-au primit. La cross_val_score, cross_validate sau GridSearchCV.fit, grupurile se dau tot ca argument groups=...; obiectul de validare nu le poate lua din altă parte.
Dacă nu ai grupuri în date, nu ai nevoie de GroupKFold: folosește KFold sau StratifiedKFold.
De ce apare: cauzele frecvente
1Lipsesc grupurile la cross_val_score
cross_val_score(model, X, y, cv=GroupKFold(n_splits=3))cross_val_score(model, X, y, cv=GroupKFold(n_splits=3), groups=df["client_id"])groups spune pentru fiecare rând căruia client îi aparține, ca împărțirea să țină clienții întregi.
2Lipsesc grupurile la split
for tr, te in GroupKFold(n_splits=2).split(X, y):
...for tr, te in GroupKFold(n_splits=2).split(X, y, groups=pacienti):
...split primește grupurile ca al treilea argument.
3Grupurile la GridSearchCV
GridSearchCV(model, grila, cv=GroupKFold(3)).fit(X, y)GridSearchCV(model, grila, cv=GroupKFold(3)).fit(X, y, groups=magazine)fit transmite grupurile mai departe, la împărțire.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: The 'groups' parameter should not be None, pentru că GroupKFold nu primește clienții. Trimite lista clienti ca grupuri la cross_val_score, ca programul să afișeze scorurile pe cele 3 runde.
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import GroupKFold, cross_val_score
# cate o comanda pe rand: produse -> valoare; fiecare client are 2 comenzi
X = [[1], [2], [3], [4], [5], [6]]
y = [10, 20, 30, 40, 50, 60]
clienti = ["ana", "ana", "dan", "dan", "ion", "ion"]
scoruri = cross_val_score(LinearRegression(), X, y, cv=GroupKFold(n_splits=3), scoring="neg_mean_absolute_error")
print("Erori pe runda:", [round(float(-s), 2) for s in scoruri])Erori pe runda: [0.0, 0.0, 0.0]
Indiciu
Adaugă groups=clienti la apelul cross_val_score.
Reparația
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import GroupKFold, cross_val_score
# cate o comanda pe rand: produse -> valoare; fiecare client are 2 comenzi
X = [[1], [2], [3], [4], [5], [6]]
y = [10, 20, 30, 40, 50, 60]
clienti = ["ana", "ana", "dan", "dan", "ion", "ion"]
scoruri = cross_val_score(LinearRegression(), X, y, cv=GroupKFold(n_splits=3), groups=clienti, scoring="neg_mean_absolute_error")
print("Erori pe runda:", [round(float(-s), 2) for s in scoruri])De ce merge
Cu groups=clienti, GroupKFold ține împreună comenzile fiecărui client: în fiecare rundă, comenzile unui client sunt la test, iar ale celorlalți doi la antrenare. Valoarea comenzii e exact 10 lei pe produs, deci modelul prezice perfect și eroarea absolută medie e 0 în toate rundele.
Alte forme ale mesajului
ValueError: The 'groups' parameter should not be None
Cum o eviți pe viitor
Când datele au mai multe rânduri pentru aceeași entitate (mai multe comenzi ale aceluiași client, mai multe vizite ale aceluiași pacient), decide de la început coloana de grup și păstrează-o lângă X și y. Transmite-o explicit la fiecare funcție de validare. Verifică după împărțire că niciun grup nu apare și în antrenare, și în test.
Întrebări frecvente
De ce nu ia GroupKFold grupurile dintr-o coloană a lui X?
Pentru că X conține trăsăturile modelului. Grupurile sunt informație despre împărțire, nu despre predicție, așa că se dau separat.
Câte grupuri îmi trebuie?
Cel puțin cât n_splits. Altfel primești o altă eroare, care spune că numărul de grupuri e mai mic decât numărul de părți.
Erori înrudite
ValueError: k-fold cross-validation requires at least one train/test split by setting n_splits=2 or more, got n_splits=1. Validarea încrucișată împarte datele în n_splits bucăți și folosește pe rând fiecare bucată ca test, deci are nevoie de cel puțin 2. Cu n_splits=1 nu ar rămâne nimic pentru antrenare. Folosește n_splits=2 sau mai mult (de obicei 5), sau train_test_split pentru o singură împărțire. ValueError: n_splits=5 cannot be greater than the number of members in each class. Ai cerut validare încrucișată stratificată cu mai multe fold-uri decât exemple are fiecare clasă (de exemplu 5 fold-uri, dar 3 exemple pe clasă). Micșorează n_splits (sau cv) la cel mult numărul de exemple din clasa cea mai mică, sau adună mai multe date. ValueError: All the 5 fits failed. It is very likely that your model is misconfigured. cross_val_score, cross_validate sau GridSearchCV au încercat să antreneze modelul pe fiecare parte, iar toate antrenările au dat eroare. Citește mai jos, în același mesaj, secțiunea „fits failed with the following error”: acolo e eroarea reală (de exemplu un text în X sau un parametru greșit). 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.
