Python 对sci工具包的一致回答

如何在sci工具包学习中使用GridSearchCV获得一致的答案？我假设我得到了不同的答案b/c每次运行时，不同的随机数导致折叠不同，尽管我的理解是下面的代码应该解决这个问题，因为默认情况下

KFold

具有

shuffle=False

clf = GridSearchCV(SVC(), param_grid, cv=KFold(n, n_folds=10))

---

正如您在评论中指出的，predict_proba不是确定性的

但它确实接受一个随机的状态（就像KFold一样）。我以前发现，如果数据是以非随机顺序收集的，那么设置shuffle=False会导致非常糟糕的结果，因此最好使用shuffle并将random_state设置为某个数字

从

随机状态：int种子、随机状态实例或无（默认）

---

伪随机数生成器的种子，用于对数据进行随机洗牌以进行概率估计。

我认为您正在查找此参数：random\u state=7

大多数具有随机_状态参数的东西都将其保留为None，这允许变化

您必须将其设置为某个数字才能获得一致的结果

---

我把它设为7，因为我喜欢7。选择任意数字。

一些估计器有一个

随机状态

，这可能会改变结果

SVC

应该是确定性的，正如您观察到的

KFold

一样。你确定脚本的其余部分是确定性的吗？非常确定。

SVC

的

predict\u proba（）

输出是否具有确定性？如果我没记错的话，会运行交叉验证来估计一些参数以确定概率，但这是在LIBSVM中完成的，我认为也是确定性的。我问b/c我实际上没有使用

SVC

，但我创建了一个名为

ProbSVC

的子类，它将

predict

映射到

predict\u proba

似乎

predict\u proba（）

是不确定的……是的，

predict\u proba

进行了5倍（我认为）交叉验证来校准概率输出。此外，您应该使用

Scorer

接口，而不是子类化imho；）正在等待开发版本发布，然后才使用

Scorer

…我还不够专业，无法使用最新版本：）

class sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma=0.0, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, random_state=None)