scikit学习的train_test_split（）方法

Question

我正在尝试使用DecisionTreeClassifier创建机器学习模型。为了训练和测试我的数据，我从scikit Learn导入了train_test_split方法。但是我无法理解其名为random_state的参数之一。

为random_state函数的model_selection.train_test_split分配数字值的意义是什么，我怎么知道为决策树分配random_state的数字值？

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=324)

Answer 1

如果您每次执行代码时都未指定random_state，则会得到不同的（随机）拆分。相反，如果您提供一个random_state值，则拆分将始终相同。它通常用于实验重现性。

例如：

X = [[1,5],[2,6],[3,2],[4,7], [5,5], [6,2], [7,1],[8,6]]
y = [1,2,3,4,5,6,7,8]


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
X_train_rs, X_test_rs, y_train_rs, y_test_rs = train_test_split(X, y, test_size=0.33, random_state=324)

print("WITH RANDOM STATE: ")
print("X_train: {}\ny_train: {}\nX_test: {}\ny_test: {}".format(X_train_rs, X_test_rs, y_train_rs, y_test_rs))
print("WITHOUT RANDOM STATE: ")
print("X_train: {}\ny_train: {}\nX_test: {}\ny_test: {}".format(X_train, X_test, y_train, y_test))

如果您多次运行此代码，则可以看到每次运行时拆分都没有随机状态变化。

如sklearn documentation中所述，如果要指定随机数生成器种子（最常见的情况），则random_state可以是整数，也可以直接是RandomState类的实例。

Answer 2

正如docs所述，random_state用于初始化train_test_split中使用的随机数生成器（也适用于其他方法）。由于实际上有多种方法可以拆分数据集，因此，这是为了确保您可以对同一数据集多次使用该方法（例如，在一系列实验中）并且始终获得相同的结果（即，完全相同的训练和测试）在此处设置），即出于可重复性的原因。它的确切值并不重要，也不必担心。

使用docs中的示例，设置random_state=42可确保您获得那里显示的完全相同的结果（以下代码实际上在我的机器上运行，而不是从文档中复制粘贴） ：

import numpy as np
from sklearn.model_selection import train_test_split

X, y = np.arange(10).reshape((5, 2)), range(5)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.33, random_state=42)

X_train
# array([[4, 5],
#        [0, 1],
#        [6, 7]])

y_train
# [2, 0, 3]

X_test
# array([[2, 3],
#        [8, 9]])

y_test
# [1, 4]

您应该在上面的代码段中尝试使用random_state的不同值（或者根本不指定它）来获得感觉。

Answer 3

random_state参数仅是随机顺序的种子。如果您提供不同的random_state，它将以不同顺序拆分数据集。如果您每次都提供相同的random_state，则拆分将相同。数据集将以相同顺序拆分。

如果您希望数据集每次都以相同顺序拆分，请提供相同的random_state。

Answer 4

将值提供为随机状态将有助于在重新运行程序时在拆分中重现相同的值。

如果您不向随机状态提供任何值，则每次运行后，我们将获得不同的测试和训练值集。在这种情况下，如果遇到任何错误，则对调试没有帮助。

示例：

设置：

from sklearn.model_selection import train_test_split
import pandas as pd

data = pd.read_csv("diabetes.csv")
X=data.iloc[0:,0:8]
X.head()
y=data.iloc[0:,-1]
y.head()

带有random_state的循环：

for _ in range(2):
    X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.33, random_state=42)
    print(X_train.head())
    print(X_test.head())

• 请注意，两次迭代的数据相同

没有random_state的循环：

for _ in range(2):
    X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.33)
    print(X_train.head())
    print(X_test.head())

• 请注意，两次迭代的数据不同

如果运行代码并查看输出，则将看到random_state相同时，它将提供相同的训练/测试集，但是如果未提供random_state，则该集合每次测试/训练中的值都不同。