LogisticRegression模型绘制学习曲线train_sizes取值范围报错求解

• 核心原因是sklearn的learning_curve函数在指定cv=5的5折交叉验证规则下，每轮验证可用于训练的最大样本量为总样本量的(cv-1)/cv：你传入的总样本量是125578，计算可得最大可用训练样本数为125578 * 4/5 = 100462，刚好和报错提示的上限一致，不存在数据丢失问题，你观察到的差值是2.5万左右，属于位数误读。
• 你当前代码中np.linspace(0, dataframe.shape[0])生成的训练集大小序列范围是[0, 125578]，一方面包含了非法的0值（训练集不能为0样本），另一方面最大值超过了交叉验证下的可用上限，因此触发ValueError。

推荐优先使用比例模式指定train_sizes，不需要手动计算绝对值，可自动适配交叉验证的样本上限，代码修改逻辑如下：

1. 把train_sizes的取值改为0~1之间的浮点数序列，代表占可用最大训练集的比例，取值范围避开0，从最小可用比例（比如0.1）开始即可。
2. 不需要额外根据数据集行数调整参数，适配性更强。

修正后的完整代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import learning_curve

def get_learning_curves(model, X, y):
    # 直接使用比例模式指定训练集大小，默认生成50个采样点
    train_sizes = np.linspace(0.1, 1.0, 50)
    # 获取交叉验证下的训练、测试得分，显式指定scoring为r2和你后续指标对应
    train_sizes, train_scores, test_scores = learning_curve(
        estimator=model, X=X, y=y, train_sizes=train_sizes, cv=5, scoring='r2')

    # 计算交叉验证得分均值
    train_scores_mean = np.mean(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    
    # 绘图逻辑不变
    plt.plot(train_sizes, train_scores_mean, label = 'Training score')
    plt.plot(train_sizes, test_scores_mean, label = 'Test score')
    plt.ylabel('r2 score', fontsize = 14)
    plt.xlabel('Training set size', fontsize = 14)
    plt.title('Learning curves', fontsize = 18, y = 1.03)
    plt.legend()
   
    return plt.show()

调用代码调整为：

get_learning_curves(LogisticRegression(), X_pre, y_pre)

如果坚持要使用绝对值模式指定训练集大小，可将训练集上限调整为int(dataframe.shape[0] * 0.8)，同时取值下限调整为大于0的数值即可。

内容的提问来源于stack exchange，提问作者Arthur Langlois