ValueError: y_true takes value in {'ham', 'spam'} and pos_label is not specified: either make y_true take value in {0, 1} or {-1, 1} or pass pos_label explicitly.
Etichetele sunt texte (de exemplu 'ham' și 'spam'), iar roc_curve sau precision_recall_curve nu știu care e clasa pozitivă. Spune-le explicit cu pos_label="spam", sau codifică ținta cu 0 și 1.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Curbele ROC și precision-recall pornesc de la o întrebare: care clasă e cea „pozitivă”, pe care vrei s-o prinzi? Când etichetele sunt 0 și 1 (sau -1 și 1), scikit-learn presupune că pozitivă e 1. Când etichetele sunt texte, nu poate ghici: „spam” ar putea fi pozitiv, la fel de bine ca „ham”.
Mesajul îți arată valorile găsite în y_true și îți dă două variante: codifici ținta cu 0 și 1 sau dai pos_label. Atenție: scorurile (y_score) trebuie să fie probabilitatea clasei pe care o alegi ca pozitivă. Cu predict_proba, coloana corectă e cea de la poziția clasei în model.classes_.
Funcții care dau mesajul: roc_curve, precision_recall_curve, det_curve, brier_score_loss, average_precision_score.
De ce apare: cauzele frecvente
1Etichete text la roc_curve
fpr, tpr, praguri = roc_curve(y_test, proba)fpr, tpr, praguri = roc_curve(y_test, proba, pos_label="spam")Cu pos_label, funcția știe ce clasă numără ca adevărat pozitiv.
2Ținta codificată cu 0 și 1
y = df["tip"] # "ham" / "spam"y = (df["tip"] == "spam").astype(int)Cu 0 și 1, clasa pozitivă e implicit 1, deci nu mai e nevoie de pos_label.
3Coloana de probabilitate nepotrivită
proba = model.predict_proba(X_test)[:, 0]
roc_curve(y_test, proba, pos_label="spam")i = list(model.classes_).index("spam")
proba = model.predict_proba(X_test)[:, i]
roc_curve(y_test, proba, pos_label="spam")Scorurile trebuie să fie pentru clasa pozitivă. Altfel curba iese inversată și AUC-ul sub 0,5.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: y_true takes value in {'ham', 'spam'} and pos_label is not specified. Spune-i lui roc_curve că clasa pozitivă este „spam”, ca programul să afișeze aria de sub curba ROC.
from sklearn.metrics import auc, roc_curve
y_test = ["ham", "spam", "ham", "spam", "spam", "ham"]
proba_spam = [0.1, 0.8, 0.4, 0.35, 0.9, 0.2]
fpr, tpr, praguri = roc_curve(y_test, proba_spam)
print("AUC:", round(float(auc(fpr, tpr)), 3))AUC: 0.889
Indiciu
Adaugă pos_label="spam" la apelul roc_curve.
Reparația
from sklearn.metrics import auc, roc_curve
y_test = ["ham", "spam", "ham", "spam", "spam", "ham"]
proba_spam = [0.1, 0.8, 0.4, 0.35, 0.9, 0.2]
fpr, tpr, praguri = roc_curve(y_test, proba_spam, pos_label="spam")
print("AUC:", round(float(auc(fpr, tpr)), 3))De ce merge
Cu pos_label="spam", roc_curve numără mesajele spam ca pozitive și compară probabilitățile cu ele. Din cele 9 perechi spam-ham, scorul spam e mai mare în 8 (doar mesajul spam cu 0,35 e sub mesajul ham cu 0,4), deci AUC-ul este 8 / 9 = 0,889.
Alte forme ale mesajului
ValueError: y_true takes value in {'da', 'nu'} and pos_label is not specified: either make y_true take value in {0, 1} or {-1, 1} or pass pos_label explicitly.ValueError: y_true takes value in {'No', 'Yes'} and pos_label is not specified: either make y_true take value in {0, 1} or {-1, 1} or pass pos_label explicitly.
Cum o eviți pe viitor
Pentru probleme binare, codifică ținta cu 0 și 1 de la început, unde 1 e clasa care te interesează (frauda, spam-ul, clientul care pleacă). Dacă păstrezi etichetele text, dă pos_label la toate metricile binare și ia coloana de probabilitate după model.classes_, nu după poziție presupusă.
Întrebări frecvente
De ce roc_auc_score merge fără pos_label?
roc_auc_score codifică singur etichetele în ordine alfabetică și consideră pozitivă a doua clasă. roc_curve cere alegerea explicită.
Contează ce clasă aleg ca pozitivă?
Da. Dacă alegi clasa opusă celei pentru care sunt scorurile, curba ROC se inversează. Alege clasa pe care o detectează scorul.
Erori înrudite
ValueError: pos_label=1 is not a valid label. It should be one of ['da', 'nu'] Etichetele tale sunt texte ('da', 'nu'), dar metrica (precision_score, recall_score, f1_score) caută implicit clasa pozitivă 1. Spune-i care e clasa pozitivă: pos_label='da', sau transformă etichetele în 0/1. ValueError: continuous format is not supported roc_auc_score (sau o altă metrică de clasificare) a primit ca y_true valori zecimale. De obicei ai inversat argumentele: ordinea corectă este roc_auc_score(y_true, scoruri), cu etichetele reale primele și probabilitățile pe locul doi. ValueError: Mix of label input types (string and number) Etichetele reale și cele prezise au tipuri diferite: unele sunt text ("1", "da"), altele numere (1). confusion_matrix și classification_report nu pot compara "1" cu 1. Adu ambele la același tip, de exemplu cu astype(int) sau cu un map de la text la număr. 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.
