ValueError: y contains previously unseen labels: 'premium'
LabelEncoder a fost antrenat (fit) pe o listă de etichete, iar la transform a primit o etichetă pe care n-a văzut-o. Antrenează-l pe toate etichetele posibile (de exemplu pe y întreg, înainte de împărțire); pentru coloane de intrare folosește OneHotEncoder(handle_unknown="ignore").
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
LabelEncoder transformă etichete text în numere: la fit învață lista de clase (le.classes_), iar la transform înlocuiește fiecare etichetă cu poziția ei în listă. Dacă la transform apare o etichetă care nu e în listă, encoderul nu are ce număr să-i dea și se oprește. Mesajul îți arată chiar eticheta necunoscută; în versiunile recente apare ca np.str_('premium').
Se întâmplă când antrenezi encoderul doar pe partea de train, iar o clasă rară a ajuns doar în test, când datele noi au o categorie nouă sau când eticheta e scrisă diferit ("Premium" față de "premium", un spațiu în plus). LabelEncoder este gândit pentru ținta y, unde lista claselor e cunoscută. Pentru coloanele din X, folosește OneHotEncoder sau OrdinalEncoder, care au opțiuni pentru valori necunoscute.
De ce apare: cauzele frecvente
1Encoderul antrenat doar pe train
le = LabelEncoder().fit(y_train)
y_test_cod = le.transform(y_test) # 'premium' doar în testle = LabelEncoder().fit(y) # toate etichetele
y_train_cod = le.transform(y_train)
y_test_cod = le.transform(y_test)Lista claselor țintei trebuie să fie completă. Pentru y nu există scurgere de informație dacă encoderul vede toate etichetele.
2LabelEncoder folosit pentru o coloană de intrare
le = LabelEncoder().fit(train["oras"])
X_nou = le.transform(nou["oras"]) # oraș nouenc = OneHotEncoder(handle_unknown="ignore").fit(train[["oras"]])
X_nou = enc.transform(nou[["oras"]])handle_unknown="ignore" pune 0 pe toate coloanele pentru o categorie nouă, în loc să oprească programul.
3Aceeași etichetă scrisă diferit
le.fit(["basic", "premium"])
le.transform(["Premium "])le.fit(["basic", "premium"])
le.transform(pd.Series(["Premium "]).str.strip().str.lower())Pentru encoder, "Premium " și "premium" sunt etichete diferite. Curăță textul la fel peste tot.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: y contains previously unseen labels, pentru că LabelEncoder e antrenat doar pe etichetele de train, iar premium apare doar în test. Repară-l: antrenează encoderul pe toate etichetele, ca programul să afișeze clasele și codurile din test.
from sklearn.preprocessing import LabelEncoder
y = ["basic", "standard", "basic", "standard", "basic", "premium"]
y_train, y_test = y[:4], y[4:]
le = LabelEncoder().fit(y_train)
print("Clase:", list(le.classes_))
print("Coduri test:", le.transform(y_test).tolist())Clase: ['basic', 'premium', 'standard'] Coduri test: [0, 1]
Indiciu
Schimbă LabelEncoder().fit(y_train) în LabelEncoder().fit(y).
Reparația
from sklearn.preprocessing import LabelEncoder
y = ["basic", "standard", "basic", "standard", "basic", "premium"]
y_train, y_test = y[:4], y[4:]
le = LabelEncoder().fit(y)
print("Clase:", [str(c) for c in le.classes_])
print("Coduri test:", le.transform(y_test).tolist())De ce merge
Antrenat doar pe primele patru etichete, encoderul știa doar basic și standard, deci nu avea un cod pentru premium. Antrenat pe y întreg, învață toate cele trei clase, în ordine alfabetică: basic = 0, premium = 1, standard = 2. Etichetele de test, basic și premium, primesc codurile 0 și 1.
Alte forme ale mesajului
ValueError: y contains previously unseen labels: np.str_('premium')ValueError: y contains previously unseen labels: ['premium']ValueError: y contains previously unseen labels: [3]
Cum o eviți pe viitor
Folosește LabelEncoder doar pentru ținta y și antrenează-l pe lista completă de clase. Pentru coloanele din X, alege OneHotEncoder(handle_unknown="ignore") sau OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1) și pune-le în Pipeline. Normalizează textul (strip, lower) înainte de orice codificare. Înainte de antrenare, compară set(y_test) - set(y_train) ca să vezi dacă există clase care apar doar în test.
Întrebări frecvente
E nevoie de LabelEncoder pentru ținta unui clasificator?
De obicei nu: clasificatorii din scikit-learn acceptă direct etichete text ca "da" și "nu". LabelEncoder e util când o bibliotecă externă cere clase numerotate de la 0.
Pot face ca LabelEncoder să ignore etichetele noi?
Nu are o astfel de opțiune. Dacă ai nevoie de asta, înseamnă că lucrezi cu o coloană de intrare, iar acolo encoderul potrivit este OneHotEncoder sau OrdinalEncoder.
Erori înrudite
ValueError: Found unknown categories ['Iasi'] in column 0 during transform OneHotEncoder a văzut la fit doar anumite categorii, iar la transform (pe test sau pe date noi) apare una nouă, aici 'Iasi'. Creează encoderul cu handle_unknown='ignore', ca valorile noi să devină un rând de zerouri, sau antrenează-l pe date care conțin toate categoriile. TypeError: LabelEncoder.fit_transform() takes 2 positional arguments but 3 were given Ai pus LabelEncoder într-un Pipeline sau ColumnTransformer. Acolo fiecare pas primește fit_transform(X, y), dar LabelEncoder acceptă un singur argument, pentru că e făcut doar pentru ținta y. Pentru coloanele din X folosește OneHotEncoder sau OrdinalEncoder. 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.
