Python 寻找sklearn决策树分类器的随机状态
我有一些数据,我正在安装一个Python 寻找sklearn决策树分类器的随机状态,python,scikit-learn,decision-tree,Python,Scikit Learn,Decision Tree,我有一些数据,我正在安装一个sklearn DecisionTreeClassifier。因为分类器使用了一点随机性,我运行了几次并保存了最佳模型。但是,我希望能够重新训练数据,并在不同的机器上获得相同的结果 在我为每个分类器训练模型之后,有没有办法找出初始的随机状态 EDITsklearn模型有一个名为get_params()的方法,显示输入内容。但是对于random\u state它仍然表示None。然而,根据文档,在这种情况下,它使用numpy生成一个随机数。我试图弄清楚那个随机数是什么你
sklearn DecisionTreeClassifier
。因为分类器使用了一点随机性,我运行了几次并保存了最佳模型。但是,我希望能够重新训练数据,并在不同的机器上获得相同的结果
在我为每个分类器训练模型之后,有没有办法找出初始的随机状态
EDIT
sklearn
模型有一个名为get_params()
的方法,显示输入内容。但是对于random\u state
它仍然表示None
。然而,根据文档,在这种情况下,它使用numpy
生成一个随机数。我试图弄清楚那个随机数是什么你必须把一个显式的随机状态传递给d-树构造函数:
>>> DecisionTreeClassifier(random_state=42).get_params()['random_state']
42
将其保留为默认值
None
意味着fit
方法将使用numpy.random
的单态随机状态,这是不可预测的,并且在运行中也不相同。我建议您最好使用随机林,因为随机林包含许多树,这些树是根据您的预测因子子集建模的。
然后,只需使用RandomForestVariableName.estimators\uu
我将在这里使用我的代码作为示例:
with open('C:\Users\Saskia Hill\Desktop\Exported\FinalSpreadsheet.csv', 'rb') as csvfile:
titanic_reader = csv.reader(csvfile, delimiter=',', quotechar='"')
row = titanic_reader.next()
feature_names = np.array(row)
# Load dataset, and target classes
titanic_X, titanic_y = [], []
for row in titanic_reader:
titanic_X.append(row)
titanic_y.append(row[11]) # The target values are your class labels
titanic_X = np.array(titanic_X)
titanic_y = np.array(titanic_y)
print titanic_X, titanic_y
print feature_names, titanic_X[0], titanic_y[0]
titanic_X = titanic_X[:, [2,3,4,5,6,7,8,9,10]] #these are your predictors/ features
feature_names = feature_names[[2,3,4,5,6,7,8,9,10]]
from sklearn import tree
rfclf = RandomForestClassifier(criterion='entropy', min_samples_leaf=1, max_features='auto', max_leaf_nodes=None, verbose=0)
rfclf = rfclf.fit(titanic_X,titanic_y)
rfclf.estimators_ #the output for this is pasted below:
[DecisionTreeClassifier(compute_importances=None, criterion='entropy',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_density=None, min_samples_leaf=1, min_samples_split=2,
random_state=1490702865, splitter='best'),
DecisionTreeClassifier(compute_importances=None, criterion='entropy',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_density=None, min_samples_leaf=1, min_samples_split=2,
random_state=174216030, splitter='best') ......
因此,随机林将随机性引入到决策树文件中,并且不需要对决策树使用的初始数据进行调整,但它们作为交叉验证的方法,为您的数据准确性提供了更大的信心(特别是如果像我一样,您有一个小数据集).在线文档表明默认的
random\u state
是None
,因此这似乎是正确的。请看:我知道这是默认用法,我要问的是当我使用random\u state=None
并且我符合模型时,拟合后有没有办法找出numpy.random
的结果是什么?也许我没有正确回答我的问题。我想知道的是,如果我使用了random\u state=None
,它应该使用numpy.random
,有没有办法在模型适合后找出numpy.random
的结果是什么?@sedavidw:在这种情况下,答案是“那是不可能的”。