sklearn中的random_state

在 sklearn.model_selection 有 train_test_split函数用于将样本数据切分为训练集和测试集。

其中，参数 random_state 是这样描述的：

random_state:int, RandomState instance or None, optional (default=None)

If int, random_state is the seed used by the random number generator; If RandomState instance, random_state is the random number generator; If None, the random number generator is the RandomState instance used by np.random.

简单理解，在保持输入数据不变的情况下，

如果 random_state 等于某个固定的值， 如42，将得到同样的数据划分；

如果 random_state 等于另外某个值，将得到另外一份不同的数据划分；

如果 random_state = None (默认值），会随机选择一个种子，这样每次都会得到不同的数据划分。

给 random_state 设置相同的值，那么当别人重新运行你的代码的时候就能得到完全一样的结果，复现和你一样的过程。

>>> import numpy as np
>>> from sklearn.model_selection import train_test_split
>>> X, y = np.arange(10).reshape(5,2), range(5)
>>> X
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7],
       [8, 9]])
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 42)
>>> X_train
array([[4, 5],
       [0, 1],
       [6, 7]])
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 42)
>>> X_train
array([[4, 5],
       [0, 1],
       [6, 7]])

random_state = 42, 每次都得到同样的划分。

>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 4)
>>> X_train
array([[2, 3],
       [8, 9],
       [4, 5]])
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 0)
>>> X_train
array([[2, 3],
       [6, 7],
       [8, 9]])

random_state 设为不同的值，得到不同的数据切分。

>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 42)
>>> X_train
array([[4, 5],
       [0, 1],
       [6, 7]])

random_state = 42, 得到和早前一样的结果。

>>> X_train, X_test, y_train, y_test = train_test_split(X, y)
>>> X_train
array([[2, 3],
       [8, 9],
       [0, 1]])
>>> X_train, X_test, y_train, y_test = train_test_split(X, y)
>>> X_train
array([[4, 5],
       [2, 3],
       [0, 1]])
>>> X_train, X_test, y_train, y_test = train_test_split(X, y)
>>> X_train
array([[2, 3],
       [0, 1],
       [4, 5]])

忽略 random_state，即 random_state 等于默认值 None，每次调用都得到不同的结果。

random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样。

当你用sklearn分割完测试集和训练集，确定模型和初始参数以后，你会发现程序每运行一次，都会得到不同的准确率，无法调参。这个时候就是因为没有加random_state。加上以后就可以调参了。