python sklearn模型中random_state参数的意义

        random_state 相当于随机数种子random.seed() 。random_state 与 random seed 作用是相同的。

随机数种子代码演示:在1-100中取10个随机数

        第一段和第二段代码完全相同,都没有设置 random seed。它每次取的结果就不同,它的随机数种子与当前系统时间有关。

        第三段和第四段代码设置了相同的 random seed(123),它们取的随机数就完全相同,多运行几次也是这样。

        第五段和第六段代码设置了 不同的random seed ,于是运行取随机数的结果也不同。

        如果你在需要设置随机数种子的地方都设置好,那么当别人重新运行你的代码的时候就能得到完全一样的结果,复现和你一样的过程。

random_state参数:

       例如:在sklearn可以随机分割训练集和测试集(交叉验证),只需要在代码中引入model_selection.train_test_split就可以了:

from sklearn import model_selection

x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)

        这里的random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则,同样的算法模型在不同的训练集和测试集上的效果不一样。

        当你用sklearn分割完测试集和训练集,确定模型和初始参数以后,你会发现程序每运行一次,都会得到不同的准确率,无法调参。这个时候就是因为没有加random_state。加上以后就可以调参了。

参考文献:sklearn中的random_state

推荐阅读更多精彩内容