Python 使用类权重时的不同重要性特征和aoc

我正在使用scikit学习，代码如下所示

我的班级不平衡（班级0:1的比例大约为90:10）。在阅读了许多其他问题之后，我使用了class_加权参数

然而，每次运行代码时，我都会得到一组不同的重要特性和不同的AOC、精度、召回率等

当我删除class_weight参数时，问题并不存在

如图所示，我已将随机_状态设置为常量，因此这不是问题所在。许多预测因子高度相关。有人知道问题是什么吗？（注意，我昨天发布了一个类似的问题，但这被否决了，因为我不够清楚，所以我没有一长串的评论，而是删除了这个问题，希望对其他人更清楚，现在提供了所需的信息）

---

在上面的代码中，存在多个随机点

---

1）

train\u test\u split

使用随机洗牌来洗牌数据，然后分割为train和test。所以首先你需要稳定它

2） GridSearchCV使用

cv

参数，对于分类任务，该参数使用StratifiedKFold（）将数据拆分为不同的折叠。这也是随机性

解决方法：请在处理数据之前在代码中设置此行（最好位于导入行的正下方上方）

使用导入的

numpy

或

np

说明：请参见以下问题：-

---

正如我在上一个（现已删除）问题中所说。仅在一个位置设置随机_状态不会使代码成为可复制的代码。您需要检查分割。

train\u test\u split

还使用随机洗牌来洗牌数据，然后进行分割。所以这是一个随机的地方。然后GridSearchCV也会有随机性，因为

cv

param.Arh我现在明白你的意思了！是的，你是对的，谢谢。正如我所说，我对这一切都是新手，不知道这可能是问题的原因。标记为已回答。

x_train, x_test, y_train, y_test = train_test_split(x, y)

parameters = {
    'max_depth': [6,7, 8],
    'min_samples_split': [100, 150],
    'min_samples_leaf': [50,75]
    }

clf = GridSearchCV(DecisionTreeClassifier(
    random_state=99,
    class_weight='balanced'), 
    parameters, refit=True, cv=10) 

clf.fit(x_train, y_train.ravel()

# create main tree using best settings
clf2 = DecisionTreeClassifier(
    max_depth=clf.best_params_['max_depth'],
    min_samples_split=clf.best_params_['min_samples_split'],
    min_samples_leaf=clf.best_params_['min_samples_leaf'],
    random_state=99,
    class_weight='balanced')

clf2.fit(x_train, y_train.ravel()) 

numpy.random.seed(SOME_INTEGER)