Python 选择高斯B不精确/不一致结果的K测试

我想使用

SelectKBest

选择top K功能并运行

GaussianNB

：

selection = SelectKBest(mutual_info_classif, k=300)

data_transformed = selection.fit_transform(data, labels)
new_data_transformed = selection.transform(new_data)

classifier = GaussianNB()
classifier.fit(data_transformed, labels)
y_predicted = classifier.predict(new_data)
acc = accuracy_score(new_data_labels, y_predicted)

然而，对于相同数据的准确性，我没有得到一致的结果。 准确度为：

0.61063743402354853
0.60678034916768164 
0.61733658140479086 
0.61652456354039786 
0.64778725131952908 
0.58384084449857898

对于相同的数据。我不做拆分等。我只使用两组静态的

数据

和

新数据

---

为什么结果会有所不同？如何确保相同数据的准确性相同？

这是因为数据或变量中存在一些随机性。这取决于估计器或函数内部使用的随机数生成器，在您的情况下，将其传递到

SelectKBest

查看

random_state

和中的用法

作为一种解决方法，您可以在代码顶部插入以下行

np.random.seed(some_integer)

---

这将numpy的种子设置为

某个整数

，据我所知，scikit估计器使用numpy的随机数生成器

这是因为数据或变量中存在一些随机性。这取决于估计器或函数内部使用的随机数生成器，在您的情况下，将其传递到

SelectKBest

查看

random_state

和中的用法

作为一种解决方法，您可以在代码顶部插入以下行

np.random.seed(some_integer)

这将numpy的种子设置为

某个整数

，据我所知，scikit估计器使用numpy的随机数生成器