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

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.

Pe scurt

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.

Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

Ce înseamnă

Mesajul îți arată calculul: cu n_samples rânduri și test_size dat, numărul de rânduri de antrenare ar ieși 0. Rareori ai chiar un singur exemplu. Mult mai des, X a rămas aproape gol pe drum:

  • un filtru (df[df["oras"] == "Cluj"]) n-a găsit aproape nimic, din cauza majusculelor, a spațiilor sau a diacriticelor;
  • ai împărțit separat un grup foarte mic (de exemplu clienții unui singur oraș, într-o buclă);
  • ai construit X dintr-un singur rând (df.iloc[[0]], head(1)) în timpul unui test și ai uitat să schimbi înapoi.

Verifică X.shape chiar înainte de train_test_split: primul număr este numărul de exemple. Dacă ai n_samples=0, filtrul n-a găsit nimic. Atenție: dacă doar X are un rând, iar y are mai multe, primești întâi eroarea inconsistent numbers of samples.

De ce apare: cauzele frecvente

1Filtru sensibil la majuscule

Greșit
PYTHON
cluj = df[df["oras"] == "Cluj"]  # în date e scris "cluj"
train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3)
Corect
PYTHON
cluj = df[df["oras"].str.lower() == "cluj"]
train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3)

Comparația de text ține cont de majuscule. Cu str.lower() filtrul găsește toate rândurile, scrise oricum.

2Filtru cu o valoare scrisă greșit

Greșit
PYTHON
cluj = df[df["oras"] == "Cluj "]
train_test_split(cluj[["m2"]], cluj["pret"])
Corect
PYTHON
cluj = df[df["oras"].str.strip() == "Cluj"]
train_test_split(cluj[["m2"]], cluj["pret"])

Spațiul de la final făcea ca filtrul să nu găsească niciun rând. După strip(), rămân toate apartamentele din Cluj.

Repară tu

Repară eroarea, direct în pagină

Codul de mai jos dă ValueError: With n_samples=1, test_size=0.3 ... the resulting train set will be empty, pentru că filtrul după oraș ține cont de majuscule și găsește un singur apartament. Repară filtrul: compară orașul scris cu litere mici (str.lower()), ca programul să afișeze câte apartamente au rămas și dimensiunile seturilor.

Codul care dă eroarea
PYTHON
import pandas as pd
from sklearn.model_selection import train_test_split

df = pd.DataFrame({
    "oras": ["Cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "Iasi", "cluj", "cluj", "cluj", "cluj"],
    "m2": [50, 60, 55, 70, 80, 65, 45, 75, 90, 40, 58, 62],
    "pret": [125, 150, 140, 120, 200, 160, 110, 130, 225, 100, 145, 155],
})

cluj = df[df["oras"] == "Cluj"]
X_train, X_test, y_train, y_test = train_test_split(cluj[["m2"]], cluj["pret"], test_size=0.3, random_state=0)
print("Apartamente in Cluj:", len(cluj))
print("Train:", len(X_train), "| test:", len(X_test))
După reparație, programul afișează
Apartamente in Cluj: 10
Train: 7 | test: 3
Indiciu

Filtrează cu df["oras"].str.lower() == "cluj".

Alte forme ale mesajului

  • ValueError: With n_samples=0, test_size=0.25 and train_size=None, the resulting train set will be empty. Adjust any of the aforementioned parameters.

Cum o eviți pe viitor

Afișează X.shape și len(y) înainte de împărțire și după fiecare filtru important. Normalizează textul înainte să filtrezi după el (str.strip().str.lower()). Dacă un grup are foarte puține date, nu-l mai împărți separat: antrenează un model pe toate datele, cu grupul ca o caracteristică, sau folosește validarea încrucișată.

Întrebări frecvente

Câte rânduri am nevoie ca să împart datele?

Tehnic, cel puțin 2. Practic, ca evaluarea pe test să spună ceva, ai nevoie de zeci sau sute de exemple; pentru seturi mici, validarea încrucișată (cross_val_score) folosește mai bine datele.

De ce mesajul spune train_size=None?

Pentru că n-ai dat train_size, deci scikit-learn îl calculează ca rest după test. Mesajul îți arată toți parametrii care au dus la un set de antrenare gol.

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.