sklearn模型中random

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

一. 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。

In [1]: import random In [2]: for i in range(10): ...: print(random.randint(1, 100)) ...: 52 59 53 13 100 97 42 45 27 52 In [3]: for i in range(10): ...: print(random.randint(1, 100)) ...: 2 11 41 39 31 12 36 11 13 14

第三第四段取不同的random seed，第五段采用与第四段一样的random seed。

In [4]: random.seed(123) In [5]: for i in range(10): ...: print(random.randint(1,100)) ...: 7 35 12 99 53 35 14 5 49 69 In [6]: random.seed(456) In [7]: In [7]: for i in range(10): ...: print(random.randint(1,100)) ...: 96 58 60 56 50 83 6 80 94 67 In [8]: random.seed(456) In [9]: for i in range(10): ...: print(random.randint(1,100)) ...: 96 58 60 56 50 83 6 80 94 67

显而易见，当设置不同的随机数，得到的结果不一致；设置同一个随机数，在不同时间运行其结果一致。

二. sklearn 中的 random_state 参数

因为同一算法模型在不同的训练集和测试集的会得到不同的准确率，无法调参。

所以在sklearn 中可以通过添加random_state，通过固定random_state的值，每次可以分割得到同样训练集和测试集。

因此random_state参数主要是为了保证每次都分割一样的训练集和测试机，大小可以是任意一个整数，在调参缓解，只要保证其值一致即可。

from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(X, Y, random_state = 10)