ValueError: y_true and y_prob contain different number of classes: 3 vs 2. Please provide the true labels explicitly through the labels argument.
log_loss primește probabilități pentru un alt număr de clase decât găsește în y_true, de obicei pentru că testul nu conține toate clasele pe care le știe modelul. Dă explicit lista claselor: log_loss(y_test, proba, labels=model.classes_).
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
log_loss (pierderea logistică, cross-entropy) compară fiecare rând de probabilități din predict_proba cu clasa reală. Ca să știe ce coloană corespunde cărei clase, deduce lista claselor din y_true. Dacă testul are 2 clase, dar matricea de probabilități are 3 coloane (modelul a învățat 3 clase) sau invers, potrivirea e imposibilă, iar mesajul îți dă cele două numere: 3 vs 2.
Se întâmplă la seturi mici sau la clase rare: o clasă n-a ajuns deloc în test, sau a ajuns doar în test. Uneori apar probabilitățile doar pentru o clasă (proba[:, 1]) dată la o problemă cu trei clase. Soluția sigură este labels=model.classes_: lista completă, în exact ordinea coloanelor din predict_proba. Mesajul complet afișează și clasele găsite în y_true, ca să vezi care lipsește. În versiunile mai vechi mesajul spunea y_true and y_pred în loc de y_prob.
De ce apare: cauzele frecvente
1O clasă lipsește din test
proba = model.predict_proba(X_test) # 3 coloane
log_loss(y_test, proba) # y_test are doar 2 claseproba = model.predict_proba(X_test)
log_loss(y_test, proba, labels=model.classes_)model.classes_ are toate clasele, în ordinea coloanelor din proba, deci potrivirea e corectă.
2Doar o coloană de probabilități la mai multe clase
log_loss(y_test, model.predict_proba(X_test)[:, 1]) # 3 claselog_loss(y_test, model.predict_proba(X_test), labels=model.classes_)La multiclasă, log_loss are nevoie de probabilitatea fiecărei clase, nu doar a uneia.
3Test stratificat, ca să conțină toate clasele
train_test_split(X, y, test_size=0.2, random_state=1)train_test_split(X, y, test_size=0.2, stratify=y, random_state=1)Cu stratify=y, fiecare clasă ajunge și în test (dacă are destule exemple), deci metricile sunt calculate pe toate clasele.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: y_true and y_prob contain different number of classes: 2 vs 3, pentru că testul conține doar clasele 0 și 2, iar modelul dă probabilități pentru trei clase. Repară apelul lui log_loss, ca programul să afișeze clasele modelului și pierderea rotunjită.
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import log_loss
X_train = [[1], [2], [3], [10], [11], [12], [20], [21], [22]]
y_train = [0, 0, 0, 1, 1, 1, 2, 2, 2]
X_test = [[2.5], [21.5]]
y_test = [0, 2]
model = LogisticRegression().fit(X_train, y_train)
proba = model.predict_proba(X_test)
print("Clase model:", model.classes_.tolist())
print("Log loss:", round(log_loss(y_test, proba), 3))Clase model: [0, 1, 2] Log loss: 0.028
Indiciu
Adaugă labels=model.classes_ la log_loss.
Reparația
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import log_loss
X_train = [[1], [2], [3], [10], [11], [12], [20], [21], [22]]
y_train = [0, 0, 0, 1, 1, 1, 2, 2, 2]
X_test = [[2.5], [21.5]]
y_test = [0, 2]
model = LogisticRegression().fit(X_train, y_train)
proba = model.predict_proba(X_test)
print("Clase model:", model.classes_.tolist())
print("Log loss:", round(log_loss(y_test, proba, labels=model.classes_), 3))De ce merge
Din y_test, log_loss găsea doar două clase, 0 și 2, dar proba avea trei coloane, câte una pentru fiecare clasă a modelului. Cu labels=model.classes_ (adică [0, 1, 2]), funcția știe că prima coloană e clasa 0, a doua clasa 1 și a treia clasa 2, deci poate lua pentru fiecare exemplu probabilitatea clasei lui reale. Pierderea e mică, pentru că modelul e destul de sigur pe ambele răspunsuri corecte.
Alte forme ale mesajului
ValueError: y_true and y_pred contain different number of classes 3, 2. Please provide the true labels explicitly through the labels argument. Classes found in y_true: [0 1 2]ValueError: y_true and y_prob contain different number of classes: 2 vs 3. Please provide the true labels explicitly through the labels argument. Classes found in y_true: [0 2]ValueError: The number of classes in labels is different from that in y_pred. Classes found in labels: [0 1 2]
Cum o eviți pe viitor
La orice metrică bazată pe probabilități (log_loss, roc_auc_score multiclasă, top_k_accuracy_score), dă labels=model.classes_. Împarte datele cu stratify=y, ca toate clasele să apară și în test. Pentru seturi mici, folosește validare încrucișată stratificată în loc de un singur test. Afișează np.unique(y_test) lângă model.classes_ ca să vezi imediat ce clasă lipsește.
Întrebări frecvente
De ce acuratețea merge pe aceleași date, iar log_loss nu?
Acuratețea compară doar etichete (y_pred cu y_true), deci nu-i pasă câte clase are modelul. log_loss lucrează cu matricea de probabilități și trebuie să știe ce coloană aparține cărei clase.
Ce valoare bună are log_loss?
Cu cât e mai mică, cu atât mai bine; 0 înseamnă probabilitate 1 pentru clasa corectă la fiecare exemplu. Compară valoarea cu cea a unui model naiv (de exemplu DummyClassifier(strategy="prior")) pe aceleași date.
Erori înrudite
ValueError: multi_class must be in ('ovo', 'ovr') Calculezi roc_auc_score pe o problemă cu mai mult de două clase fără să spui cum să fie combinate clasele. Adaugă multi_class="ovr" (fiecare clasă contra restului) sau "ovo" (perechi de clase) și dă-i toate coloanele din predict_proba. 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. ValueError: Number of classes, 3, does not match size of target_names, 2. Try specifying the labels parameter Ai dat lui classification_report o listă target_names cu alt număr de nume decât clasele găsite în y_true și y_pred. Pune câte un nume pentru fiecare clasă, în ordinea sortată a claselor, sau dă și labels=[...] ca să alegi exact ce clase apar în raport. 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.
