python sklearn模型中random_state参数的作用

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

• 随机数种子代码演示：在1-100中取10个随机数

  • 第一段和第二段代码完全相同，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。

• 第三段和第四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。
  

• 第五段和第六段代码设置了 不同的random seed ，于是运行取随机数的结果也不同。

  

如果你在需要设置随机数种子的地方都设置好，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。

random_state参数：

• 例如：在sklearn可以随机分割训练集和测试集（交叉验证），只需要在代码中引入model_selection.train_test_split就可以了：

from sklearn import model_selection

x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)

• 这里的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。