Scikit learn RandomizedSearchCV最佳参数每次运行此程序时都会更改

我想使用

LogisticRegression

进行分类。因此，我使用

RandomizedSearchCV

在

logisticsregression

中选择最佳的C参数

我的问题是：为什么每次我运行这个程序时，

best\u params\u

都会改变？我假设

最佳参数

应该始终保持不变

代码如下：

data = load_iris().data
target = load_iris().target

# DATA Split

TrainData , TestData ,TrainTarget , TestTarget = train_test_split(data,target,test_size=0.25,random_state=0)
assert len(TrainData)==len(TrainTarget)
Skf = StratifiedKFold(n_splits=5)

#Model

LR = LogisticRegression(C=10,multi_class='multinomial',penalty='l2',solver='sag',max_iter=10000,random_state=0)

#Params selection with Cross Validation
params = {'C':np.random.randint(1,10,10)}
RS = RandomizedSearchCV(LR,params,return_train_score=True,error_score=0,random_state=0)

RS.fit(TrainData,TrainTarget)

Result = pd.DataFrame(RS.cv_results_)
print RS.best_params_

---

您正确地将random_状态设置为LogisticRegression和RandomizedSearchCV。但是还有一个来源可以改变列车测试数据，那就是使用

np.random

生成

params

。这在每次运行时都会更改

要控制此行为，可以将

numpy.random.seed（）

设置为您选择的整数。在您的代码上有类似的内容：

np.random.seed(0)

注意：这样做还将为所有scikit模块设置种子，因为scikit内部使用此选项。因此，在这种情况下，您可能不需要到处设置随机_状态，但不建议这样做

看到这个答案了吗

您可能还需要检查这些资源：

---

您正确地将random_状态设置为LogisticRegression和RandomizedSearchCV。但是还有一个来源可以改变列车测试数据，那就是使用

np.random

生成

params

。这在每次运行时都会更改

要控制此行为，可以将

numpy.random.seed（）

设置为您选择的整数。在您的代码上有类似的内容：

np.random.seed(0)

注意：这样做还将为所有scikit模块设置种子，因为scikit内部使用此选项。因此，在这种情况下，您可能不需要到处设置随机_状态，但不建议这样做

看到这个答案了吗

您可能还需要检查这些资源：

---

请将代码放入代码块中。请将代码放入代码块中。@Kumar谢谢。你是对的。我应该使用np.arange（1,11,1）来获取列表，而不是np.random.randint（1,10,10）@Kumar谢谢。你是对的。我应该使用np.arange（1,11,1）来获取列表，而不是np.random.randint（1,10,10）