TypeError: got an unexpected keyword argument 'squared'
Bài 13/18 · Chương 13
Giải nghĩa lỗi và cảnh báo
- 5 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 10
TypeError: got an unexpected keyword argument 'squared' báo khi code cũ tính RMSE bằng mean_squared_error(y_that, y_doan, squared=False) trên scikit-learn mới, vì tham số squared đã bị gỡ khỏi hàm này. Cách sửa là gọi hàm riêng root_mean_squared_error(y_that, y_doan), cho đúng con số cũ.
Cần biết trước: MAE, RMSE và R².
Bảng tra nhanh: code cũ và code mới
Python gọi lỗi này là TypeError: hàm vẫn còn, nhưng không nhận một tham số có tên như vậy. squared bị đánh dấu bỏ ở bản 1.4 và bị xóa ở bản 1.6, ở cả mean_squared_error() lẫn mean_squared_log_error(); bản 1.4 và 1.5 chỉ in FutureWarning. Hai hàm thay thế có từ bản 1.4.
Code cũ | Code mới |
|---|---|
|
|
|
|
| giữ nguyên |
| giữ nguyên |
Code cũ trên giá dự đoán của bốn căn nhà, tính bằng tỷ đồng:
from sklearn.metrics import mean_squared_error
y_that = [3.2, 5.0, 4.1, 7.5]
y_doan = [3.0, 5.6, 4.0, 6.9]
mean_squared_error(y_that, y_doan, squared=False)
Dòng cuối của thông báo lỗi:
TypeError: got an unexpected keyword argument 'squared'
Thông báo không nêu tên hàm, chỉ nói tham số squared không được nhận. Code mới:
from sklearn.metrics import root_mean_squared_error
y_that = [3.2, 5.0, 4.1, 7.5]
y_doan = [3.0, 5.6, 4.0, 6.9]
print(round(root_mean_squared_error(y_that, y_doan), 4))KẾT QUẢ
0.4387Đổi root_mean_squared_error ở cả hai chỗ thành mean_squared_error rồi chạy lại: dòng cuối in 0.1925, tức MSE, bình phương của số trên.
np.sqrt hay root_mean_squared_error
RMSE là căn bậc hai của MSE: bình phương từng sai số, lấy trung bình, rồi lấy căn để con số trở về cùng đơn vị với cột đích. Vì vậy một cách sửa khác là lấy căn MSE bằng np.sqrt(). Với một cột đích, hai cách cho cùng một số:
import numpy as np
from sklearn.metrics import mean_squared_error
from sklearn.metrics import root_mean_squared_error
y_that = [3.2, 5.0, 4.1, 7.5]
y_doan = [3.0, 5.6, 4.0, 6.9]
print(round(np.sqrt(mean_squared_error(y_that, y_doan)), 4))
print(round(root_mean_squared_error(y_that, y_doan), 4))KẾT QUẢ
0.4387
0.4387Trong cross-validation
Chuỗi scoring="neg_root_mean_squared_error" của cross_val_score() vẫn dùng được, nên code chấm điểm qua chuỗi không phải sửa. Chỉ lời gọi hàm trực tiếp có squared=False mới báo lỗi. Sáu căn nhà, ba fold:
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score
X = [[45], [60], [80], [100], [52], [75]]
y = [2.1, 2.9, 3.8, 4.6, 2.6, 3.4]
diem = cross_val_score(LinearRegression(), X, y, cv=3,
scoring="neg_root_mean_squared_error")
print((-diem).round(3))KẾT QUẢ
[0.118 0.121 0.12 ]Chữ neg ở đầu tên nghĩa là scikit-learn trả số âm, vì mọi scorer được viết theo quy ước "càng lớn càng tốt", còn sai số thì càng nhỏ càng tốt. Đổi dấu bằng -diem để đọc lại RMSE theo tỷ đồng: mỗi fold sai khoảng 0,12 tỷ một căn.
Kiểm tra nhanh
Với
from sklearn.metrics import root_mean_squared_error,root_mean_squared_error([2, 4], [2, 1])cho kết quả gì?4.52.12132034355964243.0
Dòng
mean_squared_error([2, 4], [2, 1], squared=False)trên scikit-learn 1.8.0 báo lỗi gì?TypeErrorValueErrorImportError
Những câu nào đúng?
root_mean_squared_error(y, y_doan)cho đúng số củasquared=Falsecũ- Với một cột đích,
np.sqrt(mean_squared_error(y, y_doan))cho cùng số mean_squared_error()đã bị gỡ hẳnscoring="neg_root_mean_squared_error"cũng báo lỗi
Bài tập
RMSE của từng quận
bang là DataFrame có cột quan, giá thật gia_ty và giá đoán gia_doan. Viết thân hàm rmse_theo_quan(bang) trả dict từ tên quận sang RMSE của các căn trong quận đó, mỗi số là float làm tròn 3 chữ số. Hàm không sửa bang của nơi gọi.
Ví dụ: hai căn Quận 7 giá 4 và 6, đều đoán 5, cho {"Quận 7": 1.0}.
Trả về: RMSE theo quận, một dict.
import pandas as pd
from sklearn.metrics import mean_squared_error
from sklearn.metrics import root_mean_squared_error
def rmse_theo_quan(bang):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Tham số
squaredbị đánh dấu bỏ ở 1.4 và bị gỡ ở 1.6 khỏimean_squared_error()vàmean_squared_log_error(); truyền nó báo TypeError.Tính RMSE bằng
root_mean_squared_error(), và RMSLE bằngroot_mean_squared_log_error().Với một cột đích,
np.sqrt(mean_squared_error())cho cùng số; với nhiều cột đích thì khác.Chuỗi
scoring="neg_root_mean_squared_error"vẫn dùng như cũ.
Câu hỏi thường gặp
Code phải chạy được trên cả scikit-learn cũ lẫn mới thì viết sao?
Viết np.sqrt(mean_squared_error(y, y_doan)) khi chỉ có một cột đích: dòng này chạy được trên mọi bản. Các bản dưới 1.4 chưa có root_mean_squared_error, nên import nó trên máy cài bản đó sẽ báo ImportError.
RMSE hay MSE thì nên báo cáo số nào?
RMSE cùng đơn vị với cột đích, như tỷ đồng, nên dễ đọc hơn MSE, vốn tính bằng tỷ đồng bình phương. Câu "model sai trung bình khoảng 0,44 tỷ một căn" người đọc báo cáo hiểu ngay, còn "MSE bằng 0,19" thì không; cách đọc ba metric hồi quy có ở bài MAE, RMSE, R².
Vì sao thông báo lỗi không nêu tên hàm?
Scikit-learn kiểm tham số trước khi chạy hàm, và câu thông báo do bước kiểm đó viết ra. Tìm dòng code có squared= trong traceback phía trên là thấy hàm gây lỗi.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.