Bỏ qua đến nội dung chính
Mục lục

Sklearn deprecated: sửa code cũ trên mạng và code AI viết

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 3/9 · Chương 14

Trang phụ trợ

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Trang này gom các mẫu code scikit-learn cũ mà bản 1.8 không còn chạy hoặc đang báo sắp bỏ: hàm và tham số đã qua giai đoạn deprecated (sklearn báo trước vài bản bằng cảnh báo, rồi bỏ hẳn), gặp nhiều trong bài viết cũ trên mạng và trong code AI viết. Mở trang khi một đoạn code chép về dừng lại với dòng lỗi nhắc tới một tham số, một hàm hay một module của sklearn.

Cách dùng với trang này

Bảng dưới đây là bản tóm tắt mười mẫu hay gặp nhất. Các mục sau đi từng mẫu: câu đầu nói cách sửa, rồi code cũ, dòng cuối của thông báo lỗi trên scikit-learn 1.8, và code đã sửa chạy được ngay trên trang. Mẫu nào có trang lỗi riêng thì mục của nó ngắn và trỏ sang trang đó.

Cách viết cũ

Cách viết hiện nay

Lỗi trên 1.8

Trang

load_boston()

đọc một bảng giá nhà khác, như gia_nha.csv

ImportError

load_boston

plot_confusion_matrix(model, X, y)

ConfusionMatrixDisplay.from_estimator(model, X, y)

ImportError

plot_confusion_matrix

mean_squared_error(y, p, squared=False)

root_mean_squared_error(y, p)

TypeError

squared=False

OneHotEncoder(sparse=False)

OneHotEncoder(sparse_output=False)

TypeError

OneHotEncoder sparse

import thẳng HalvingGridSearchCV

import enable_halving_search_cv trước

ImportError

enable_halving_search_cv

from sklearn.cross_validation import …

from sklearn.model_selection import …

ModuleNotFoundError

ModuleNotFoundError

get_feature_names()

get_feature_names_out()

AttributeError

AttributeError

LinearRegression(normalize=True)

make_pipeline(StandardScaler(), LinearRegression())

TypeError

TypeError

max_features="auto", criterion="mse"

max_features="sqrt", criterion="squared_error"

InvalidParameterError

ValueError

BaggingClassifier(base_estimator=…)

BaggingClassifier(estimator=…)

TypeError

TypeError

Trước khi sửa, in phiên bản đang chạy bằng import sklearn; print(sklearn.__version__). Đừng hạ phiên bản thư viện cho khớp code cũ: bản cũ không chạy được trên Python mới, và các bản vá lỗi chỉ có ở bản mới.

Hàm và module đã bị bỏ

load_boston() báo ImportError, dùng bộ nào thay?

Dùng một bảng giá nhà khác: tutorial này có gia_nha.csv, đọc bằng pd.read_csv(). Bộ dữ liệu Boston bị bỏ ở bản 1.2 vì một cột của nó được dựng từ giả định về chủng tộc, nên sklearn không đưa ra hàm thay thế cùng tên. Trang load_boston giải thích kỹ và đi qua cách đổi code cũ sang bảng mới.

plot_confusion_matrix() không còn trong sklearn.metrics?

Đúng, bị bỏ ở bản 1.2. Viết ConfusionMatrixDisplay.from_estimator(model, X_test, y_test) khi có model, hay ConfusionMatrixDisplay.from_predictions(y_test, du_doan) khi đã có dự đoán. plot_roc_curve() và plot_precision_recall_curve() đổi theo cùng cách, thành RocCurveDisplay và PrecisionRecallDisplay. Dòng lỗi có đường dẫn tới thư mục cài sklearn nên khác nhau giữa các máy; trang plot_confusion_matrix in đủ và vẽ hình mẫu.

from sklearn.cross_validation import train_test_split báo lỗi?

Đổi tên module thành sklearn.model_selection. model_selection có từ bản 0.18; hai module cross_validation và grid_search bị đánh dấu bỏ ở 0.18 và bị xóa ở 0.20:

python
from sklearn.cross_validation import train_test_split

Dòng cuối của thông báo lỗi:

text
ModuleNotFoundError: No module named 'sklearn.cross_validation'

Python gọi lỗi này là ModuleNotFoundError. Code đã sửa, cùng tên hàm:

python
from sklearn.model_selection import train_test_split

so = list(range(10))
phan_hoc, phan_kiem = train_test_split(so, test_size=0.3,
                                       random_state=0)
print(len(phan_hoc), len(phan_kiem))

KẾT QUẢ

7 3

GridSearchCV cũ ở sklearn.grid_search cũng sửa y như vậy. Lỗi này khác lỗi thiếu hẳn thư viện của trang No module named 'sklearn': ở đây sklearn đã cài, chỉ module con không còn.

Ôn lại: train_test_split.

get_feature_names() không còn?

Thêm đuôi _out: get_feature_names_out(). Tên cũ bị bỏ ở bản 1.2, và tên mới có trên mọi bộ biến đổi, kể cả ColumnTransformer và pipeline:

python
import pandas as pd
from sklearn.preprocessing import OneHotEncoder
goi = pd.DataFrame({"goi": ["Tháng", "Năm", "Tháng"]})
ma_hoa = OneHotEncoder().fit(goi)
print(ma_hoa.get_feature_names())

Dòng cuối của thông báo lỗi:

text
AttributeError: 'OneHotEncoder' object has no attribute 'get_feature_names'. Did you mean: 'get_feature_names_out'?

Python gọi lỗi này là AttributeError, và tự gợi ý đúng tên mới ở cuối dòng. Code đã sửa ở mục sparse ngay dưới in cả tên cột.

Ôn lại: OneHotEncoder.

HalvingGridSearchCV báo ImportError dù đã cài đúng bản?

Thêm dòng from sklearn.experimental import enable_halving_search_cv trước khi import HalvingGridSearchCV hay HalvingRandomSearchCV. Hai lớp này vẫn là tính năng thử nghiệm nên phải bật riêng; đây là mẫu duy nhất trong bảng không do code cũ, mà do thiếu một dòng. Trang enable_halving_search_cv in thông báo đủ và chạy một ví dụ.

Tham số đổi tên hay bị bỏ

mean_squared_error(squared=False) báo TypeError?

Dùng hàm riêng root_mean_squared_error(), có từ bản 1.4. Tham số squared bị bỏ ở bản 1.6:

python
from sklearn.metrics import mean_squared_error
print(mean_squared_error([3, 5, 8], [4, 5, 6], squared=False))

Dòng cuối của thông báo lỗi:

text
TypeError: got an unexpected keyword argument 'squared'

Python gọi lỗi này là TypeError. Code đã sửa:

python
from sklearn.metrics import root_mean_squared_error

print(round(root_mean_squared_error([3, 5, 8], [4, 5, 6]), 3))

KẾT QUẢ

1.291

Trong cross_val_score(), tên metric tương ứng là scoring="neg_root_mean_squared_error". Trang squared=False nói thêm trường hợp code cũ tự lấy căn bậc hai.

Ôn lại: MAE, RMSE, R².

OneHotEncoder(sparse=False) báo TypeError?

Đổi tên tham số thành sparse_output=False. Tên mới có từ bản 1.2, tên cũ bị bỏ ở bản 1.4:

python
from sklearn.preprocessing import OneHotEncoder
ma_hoa = OneHotEncoder(sparse=False)

Dòng cuối của thông báo lỗi:

text
TypeError: OneHotEncoder.__init__() got an unexpected keyword argument 'sparse'

Python gọi lỗi này là TypeError. Code đã sửa, in cả tên cột bằng get_feature_names_out():

python
import pandas as pd
from sklearn.preprocessing import OneHotEncoder

goi = pd.DataFrame({"goi": ["Tháng", "Năm", "Tháng"]})
ma_hoa = OneHotEncoder(sparse_output=False)
print(ma_hoa.fit_transform(goi))
print(ma_hoa.get_feature_names_out())

KẾT QUẢ

[[0. 1.]
 [1. 0.]
 [0. 1.]]
['goi_Năm' 'goi_Tháng']

Trang OneHotEncoder sparse nói khi nào nên giữ ma trận thưa.

Ôn lại: OneHotEncoder.

LinearRegression(normalize=True) báo TypeError?

Đặt StandardScaler() trước model trong một pipeline. Tham số normalize của các model tuyến tính bị bỏ ở bản 1.2, vì cùng việc đó làm bằng pipeline rõ hơn và dùng được cho mọi model:

python
from sklearn.linear_model import LinearRegression
model = LinearRegression(normalize=True)

Dòng cuối của thông báo lỗi:

text
TypeError: LinearRegression.__init__() got an unexpected keyword argument 'normalize'

Python gọi lỗi này là TypeError. Code đã sửa, với diện tích và số phòng của bốn căn nhà, giá tính bằng tỉ đồng:

python
from sklearn.linear_model import LinearRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

X = [[50, 1], [70, 2], [90, 2], [120, 3]]
gia = [1.5, 2.1, 2.6, 3.4]
model = make_pipeline(StandardScaler(), LinearRegression())
model.fit(X, gia)
print(model.predict([[80, 2]]).round(2))

KẾT QUẢ

[2.34]

normalize=True cũ chia cho chuẩn L2 chứ không chia cho độ lệch chuẩn, nên hệ số không giống hệt code cũ; dự đoán của hồi quy không phạt thì vẫn như nhau. Với Ridge hay Lasso, đổi cách chuẩn hóa làm đổi mức phạt, nên chọn lại alpha.

Ôn lại: StandardScaler và pipeline.

BaggingClassifier(base_estimator=…) báo TypeError?

Đổi tên tham số thành estimator=. Cùng thay đổi áp cho AdaBoostClassifier và AdaBoostRegressor; tên cũ bị bỏ ở bản 1.4:

python
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
tui = BaggingClassifier(base_estimator=DecisionTreeClassifier())

Dòng cuối của thông báo lỗi:

text
TypeError: BaggingClassifier.__init__() got an unexpected keyword argument 'base_estimator'

Python gọi lỗi này là TypeError. Code đã sửa:

python
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

cay = DecisionTreeClassifier(max_depth=2)
tui = BaggingClassifier(estimator=cay, n_estimators=5,
                        random_state=0)
tui.fit([[1, 2], [3, 4], [5, 6], [7, 8]], [0, 1, 0, 1])
print(tui.estimator, len(tui.estimators_))

KẾT QUẢ

DecisionTreeClassifier(max_depth=2) 5

Ôn lại: Random Forest.

Giá trị tham số đã bị bỏ

max_features="auto" hay criterion="mse" báo InvalidParameterError?

Đổi sang tên giá trị mới: max_features="sqrt" cho rừng phân loại, max_features=1.0 cho rừng hồi quy, criterion="squared_error" thay cho "mse", criterion="absolute_error" thay cho "mae", và loss="squared_error" thay cho loss="ls" của gradient boosting. Lỗi InvalidParameterError là một loại ValueError riêng của sklearn: dòng lỗi liệt kê mọi giá trị hợp lệ, nhưng thứ tự liệt kê đổi giữa các lần chạy, nên đọc danh sách chứ đừng so cả dòng với dòng lỗi trên mạng.

python
from sklearn.ensemble import RandomForestClassifier

rung = RandomForestClassifier(max_features="sqrt", random_state=0)
rung.fit([[1, 2], [3, 4], [5, 6], [7, 8]], [0, 1, 0, 1])
print(rung.max_features, len(rung.estimators_))

KẾT QUẢ

sqrt 100

Với rừng phân loại, "auto" cũ vốn đã bằng "sqrt", nên kết quả không đổi. Với rừng hồi quy, "auto" cũ bằng 1.0 (dùng mọi cột), nên phải đổi thành 1.0 chứ không thành "sqrt", nếu không model sẽ khác.

Chuỗi penalty="none" của LogisticRegression cũng thuộc nhóm này: nó bị xóa ở bản 1.4, nên bản 1.8 báo InvalidParameterError và liệt kê các giá trị hợp lệ. Viết C=np.inf để bỏ phạt; bản 1.8 vẫn in một UserWarning nhắc rằng không phạt thì C bị bỏ qua, còn model vẫn fit không có phạt.

LogisticRegression(penalty="l2") hiện FutureWarning?

Code vẫn chạy, nhưng tham số penalty bị đánh dấu deprecated ở bản 1.8 và sẽ bị bỏ ở bản 1.10. Bỏ penalty="l2" vì đó đã là mặc định; thay penalty="l1" bằng l1_ratio=1 (kèm solver="saga"), và thay penalty=None bằng C=np.inf (chuỗi "none" thì đã báo lỗi, xem mục trên). Cảnh báo kiểu này là lúc tốt nhất để sửa code: bản sau nó thành lỗi.

Câu hỏi thường gặp

Code AI viết dùng tham số cũ thì hỏi lại thế nào?

Dán dòng cuối của thông báo lỗi kèm phiên bản sklearn bạn đang chạy, và yêu cầu viết lại theo đúng bản đó. Chatbot học từ nhiều code cũ nên vẫn sẽ có lúc dùng lại tên cũ; kiểm theo bảng đầu trang. Trang dùng ChatGPT làm machine learning có thêm các điểm cần kiểm trong code AI viết, và bài sửa code AI viết nói cách đọc lỗi chung.

Làm sao biết một tham số sắp bị bỏ?

Chạy code và đọc cảnh báo: sklearn báo FutureWarning ít nhất hai bản trước khi bỏ một tham số, kèm tên thay thế. Đừng tắt cảnh báo bằng warnings.filterwarnings("ignore") trong code dùng lâu dài, vì đó là nơi duy nhất báo trước.

Code pandas cũ cũng gặp chuyện tương tự?

Có: pandas 3 bỏ append(), applymap() và đổi cách gán giá trị. Trang sửa code pandas cũ đi qua các mẫu đó theo cùng cách trang này làm với sklearn.

Chủ đề

sklearn deprecated

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập