Python scikit学习使用的CART算法是否确定？

我从scikit学习网站获得以下代码：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
iris = load_iris()
for i in range(10):
    clf = DecisionTreeClassifier()    
    a = cross_val_score(clf, iris.data, iris.target, cv=10)
    clf2 = DecisionTreeClassifier()    
    b = cross_val_score(clf2, iris.data, iris.target, cv=10)
    if not np.array_equal(a,b):
        print 'diff'
        print a
        print b
        break

---

它有时会打印差异，所以我猜它不是确定性的，这很奇怪。

决策树是确定性的，它们计算相同原始数据集上的叶子/概率。如果你要使用像随机森林这样的东西，那就不是确定性的，因为它是随机选择变量的。问题在于你的平等测试。您正在使用

object1==object2

Python本身不知道如何比较DecisionTreeClassifier的类型。您是否询问是否为其属性指定了相同的值？您想知道内存大小是否相同吗？dt和dt2指针引用同一个对象吗？没有办法从你写的东西中知道。更好的测试是训练模型并对相同的数据使用.predict（）方法。每次的结果都一样吗？那么您可能有一个确定性分类器

---

“pythonic”方法是在类文件中定义一个_u; eq _;方法。如果你看一下，你会发现tree类中没有一个——我没有进一步看，但我怀疑他们是否定义了这个方法。（检查两个分类器模型是否等效不是一件常见的事情）。

好的，我发现如果未指定

random\u state

参数，则

DecisionTreeClassifier

会使用随机种子，如下所述：

随机_状态：int，随机状态实例或无，可选 （默认值=无）如果int，则random_state是随机进程使用的种子 数字发生器；如果为RandomState实例，则random_state为random 数字发生器；如果没有，则随机数生成器为 np.random使用的RandomState实例

固定代码：（我已将

random\u state=0

添加到

DecisionTreeClassifier

构造函数）

---

这就像预期的那样工作，

np.array_equal（a，b）==True

总是这样。

你是对的，我将根据Jack的情况更改示例，我很高兴你找到了

random_state

参数，但据我所知，如果

max_features==None

和

splitter！='随机'

。由于这是默认情况，我对随机性来自何处感到困惑，因为默认购物车应该是确定性的。我认为应该在

sklearn

github页面上打开一个问题来解决这个问题。我在这里打开了这个问题：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
iris = load_iris()
for i in range(10):
    clf = DecisionTreeClassifier(random_state=0)    
    a = cross_val_score(clf, iris.data, iris.target, cv=10)
    clf2 = DecisionTreeClassifier(random_state=0)    
    b = cross_val_score(clf2, iris.data, iris.target, cv=10)
    if not np.array_equal(a,b):
        print 'diff'
        print a
        print b
        break