GCP AutoML分类模型训练报错：不足50%行成功生成示例如何解决

Less than 50% of rows successfully generated examples 报错的本质是GCP AutoML在校验训练输入时，识别到可被解析为有效训练样本的行占比低于50%，触发了内置的训练前置拦截规则，结合你描述的不平衡分类、日期拆分的场景，常见诱因如下：

• 日期拆分后训练集标签覆盖不足：按日期拆分后，训练集区间内的标注列空值占比过高，或是不平衡分类中的少数类样本全部集中在验证/测试集的日期区间，导致训练集内有效标注的行占比达不到要求。
• 特征列缺失率过高：超过半数的训练行在指定的输入特征列中存在全量/大部分缺失，AutoML无法为这些行生成可用于训练的特征向量。
• 标签值不符合预设规则：分类标签的类型、枚举值和数据集创建阶段的配置不匹配，比如二分类任务中出现了预设标签之外的取值，对应行被直接丢弃。
• 日期列本身存在异常：日期格式不统一、大量行的日期值为空或重复，导致拆分后训练集的有效行数量严重不足。

• 校验并调整数据集拆分逻辑：
  导出拆分后的训练集子集，统计标注列的非空占比、各分类标签的分布情况，确认训练集覆盖了所有分类标签且标注非空占比不低于70%。如果日期拆分确实导致标签分布失衡，可以调整拆分的日期区间，或是切换为分层拆分模式，保证训练集的标签分布和全量数据集一致。
• 清理无效数据：
  统计所有输入特征列的缺失率，删除缺失率超过80%的无效特征；统一标签值的格式与枚举范围，提前过滤掉标签为空、标签值不在预设分类范围内的行，再导入AutoML创建数据集。
• 调整训练校验阈值：
  在AutoML训练配置的高级设置中，可适当调低最小有效样本生成比例的校验阈值，最低不要低于30%，阈值过低会导致训练样本质量不足，直接影响最终模型效果。
• 优化日期拆分逻辑：
  如果必须保留日期拆分的规则，先对全量数据集按日期排序，过滤掉日期值无效、标注为空、特征全部缺失的行之后，再导入AutoML完成数据集创建与拆分。

内容的提问来源于stack exchange，提问作者Rita