Python 分类结果取决于随机状态？

我想使用scikit learn（sklearn）实现AdaBoost模型。我的问题类似于，但并不完全相同。据我所知，中描述的随机_状态变量用于根据前面的链接随机分割训练集和测试集。因此，如果我理解正确，我的分类结果不应该依赖于种子，对吗？如果我的分类结果取决于随机状态变量，我应该担心吗？

这很重要。当训练集不同时，训练状态也会改变。对于不同的数据子集，您最终可以得到一个分类器，该分类器与使用其他子集训练的分类器差别不大

---

因此，您应该使用一个常量种子，如

0

或另一个整数，以便您的结果是可复制的。

您的分类分数将取决于

随机状态。正如@Ujjwal正确地说的，它用于将数据拆分为训练和测试。不仅如此，scikit learn中的许多算法使用
随机_状态
来选择特征子集、样本子集，并确定初始权重等

例如


基于树的估计器将使用
random_state
对特征和样本进行随机选择（如
DecisionTreeClassifier，RandomForestClassifier
）

在聚类估计器中，例如，
随机状态
用于初始化聚类中心

支持向量机将其用于初始概率估计

一些特征选择算法也将其用于初始选择
还有更多

报告中提到：

如果您的代码依赖于随机数生成器，则它不应使用numpy.random.random或numpy.random.normal之类的函数。这种方法可能导致测试中的重复性问题。相反，应该使用numpy.random.RandomState对象，该对象是从传递给类或函数的
random\u state
参数构建的

请务必阅读以下问题和答案，以便更好地理解：




那么我应该相信这个预测吗？或者我应该把这个随机状态当作另一个超参数吗？因为伪随机数生成器的种子不同，所以进行不同的预测真的没有多大意义……因为每次在不同的数据子集上进行训练时都会进行随机播种，所以这是非常有意义的。它实际上不是一个超参数。你应该把它设置成一个固定的数字，然后跨系统复制你的数字。对。。。我理解。因此，如果随机状态=0和随机状态=10给出不同的结果，我应该相信哪一个？考虑到我的数据集有点嘈杂，但并不完全。一般来说，为了安全起见，应该使用精度最接近平均精度的种子。如果你觉得它有用，请接受我的回答谢谢，但我想给其他ppl的机会。你的回答很好，我很感激！相关问题：