【机器学习sklearn实战】详解 random_state 参数作用

在机器学习库sklearn中，构建模型、生成随机数据集、拆分数据集时经常会看到 random_state 这个参数，例如：

data = make_blobs(n_samples=100, centers =2,random_state=9)//生成数据集时

x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)//拆分数据集

X, y = make_regression(n_features=1,n_informative=1,noise=30,random_state=5)//构建模型

一 设置随机种子作用

random_state 相当于随机数种子 random.seed() 。random_state 与 random seed 作用是相同的。

1.1 未设置随机种子按理

下面两段代码完全相同都没有设置 random seed。它每次取的结果就不同，它的随机数种子与当前系统时间有关。

import random

for i in range(10):

print(random.randint(1,100), end=' ')

65 73 35 68 67 57 14 95 31 48

import random

for i in range(10):

print(random.randint(1,100), end=' ')

23 35 63 35 23 10 13 16 27 25

1.2 设置随机种子案例

下面这两段代码设置了相同的 random seed（123），它们取的随机数就完全相同，多运行几次也是这样。

import random

random.seed(123)

for i in range(10):

print(random.randint(1,100), end=' ')

7 35 12 99 53 35 14 5 49 69

import random

random.seed(123)

for i in range(10):

print(random.randint(1,100), end=' ')

7 35 12 99 53 35 14 5 49 69

设置了随机种子的值后，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。

二 randstate的应用

random_state可以用于很多函数，我比较熟悉的是用于以下三个地方：

生成数据集

训练集测试集的划分

构建机器学习模型

2.1 生成数据集

未设置random_state随机种子值的数据集，同一段代码连续执行两次结果如下图所示，可以看到两次生成不同的数据集。

#导入必要的库

from sklearn.datasets import make_blobs

from sklearn.neighbors import KNeighborsClassifier

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

#生成一个数据集

#根据给定的参数生成数据，主要用来测试代码性能（没有实际数据的情况下）

data = make_blobs(n_samples=100, centers =2)#没有设置随机种子

#将特征和标签赋值给X和y

X, y = data

#使用散点图进行可视化

plt.scatter(X[y==1,0], X[y==1,1], cmap=plt.cm.spring, edgecolor='k',marker='^')

plt.scatter(X[y==0,0], X[y==0,1], cmap=plt.cm.spring, edgecolor='k',marker='o')

#显示图像

plt.show()

设置了random_state随机种子值的数据集，同一段代码连续执行两次结果如下图所示，可以看到两次生成相同的数据集。

#导入必要的库

from sklearn.datasets import make_blobs

from sklearn.neighbors import KNeighborsClassifier

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

#生成一个数据集

#根据给定的参数生成数据，主要用来测试代码性能（没有实际数据的情况下）

data = make_blobs(n_samples=100, centers =2,random_state=8)#设置随机种子random_state

#将特征和标签赋值给X和y

X, y = data

#使用散点图进行可视化

plt.scatter(X[y==1,0], X[y==1,1], cmap=plt.cm.spring, edgecolor='k',marker='^')

plt.scatter(X[y==0,0], X[y==0,1], cmap=plt.cm.spring, edgecolor='k',marker='o')

#显示图像

plt.show()

提示：这里random_state的值是随机选取的，没有固定规律，只要保证取值一致，就可以得到完全一样的结果。

2.2 划分训练集和测试集的类train_test_split

随机数种子控制每次划分训练集和测试集的模式，其取值不变时划分得到的结果一模一样，其值改变时，划分得到的结果不同。若不设置此参数，则函数会自动选择一种随机模式，得到的结果也就不同。

# 导入所需的库

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error, r2_score

import numpy as np

# 加载糖尿病数据集

diabetes = datasets.load_diabetes()

# 使用所有特征

X = diabetes.data

y = diabetes.target

# 将数据分为训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2.3 构建机器学习模型

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30,splitter="random")

其取值不变时，用相同的训练集建树得到的结果一模一样，对测试集的预测结果也是一样的；其值改变时，得到的结果不同；若不设置此参数，则函数会自动选择一种随机模式，每次得到的结果也就不同。

三 总结

在需要设置 random_state 的地方给其赋一个值，当多次运行此段代码能够得到完全一样的结果，别人运行此代码也可以复现你的过程。

若不设置此参数则会随机选择一个种子，执行结果也会因此而不同了。

虽然可以对 random_state 进行调参，但是调参后在训练集上表现好的模型未必在陌生训练集上表现好，所以一般会随便选取一个 random_state 的值作为参数。