我知道random_state用于各种sklearn算法，以打破具有相同度量值的不同预测变量（树）之间的联系（例如在GradientBoosting中）。但是文档没有澄清或详细说明。喜欢
1）这些种子用于随机数生成的其他地方？比如RandomForestClassifier，随机数可用于查找一组随机要素来构建预测变量。使用子采样的算法可以使用随机数来获得不同的子样本。可以/是同一种子（random_state）在多个随机数生成中起作用吗？
我主要关心的是
2）此random_state变量的影响有多远。 ？这个值能否在预测（分类或回归）方面产生很大的不同。如果是，我应该关注哪种数据集？或者更多的是关于稳定性而不是结果的质量？
3）如果它可以产生很大的不同，那么如何最好地选择random_state？没有直觉，很难做GridSearch。特别是如果数据集是这样的，一个CV可能需要一个小时。
4）如果动机只是在重复运行中只有稳定的模型结果/评估和交叉验证分数，如果我在使用任何算法之前设置random.seed(X)，它是否会产生相同的效果（和使用random_state作为无）。
5）假设我在GradientBoosted分类器上使用random_state值，并且我正在交叉验证以找到我的模型的优点（每次在验证集上得分）。一旦满意，我将在整个训练集上训练我的模型，然后将其应用于测试集。现在，完整的训练集比交叉验证中的较小训练集具有更多的实例。因此，与cv循环中发生的情况相比，random_state值现在可以导致完全不同的行为（特征和个体预测变量的选择）。类似于min sample样本等等也可能导致较差的模型，因为设置是w.r.t CV中的实例数，而实际的实例数更多。这是正确的理解吗？防范这种情况的方法是什么？
答案 0 :(得分：4)
是的，随机种子的选择会影响您的预测结果，正如您在第四个问题中指出的那样，影响并不是真正可预测的。
防止偶然发生好坏的预测的常用方法是训练几个模型（基于不同的随机状态）并以有意义的方式平均预测。同样，您可以将交叉验证视为估算＆＃34; true＆＃34;通过对多个训练/测试数据分割的性能进行平均来表现模型。
答案 1 :(得分：1)
1）这些种子用于随机数生成的其他地方？比如对于RandomForestClassifier，随机数可用于查找一组随机特征来构建预测器。使用子采样的算法可以使用随机数来获得不同的子样本。可以/是同一种子（random_state）在多个随机数生成中发挥作用吗？
random_state is used wherever randomness is needed：
如果您的代码依赖于随机数生成器，则不应使用
numpy.random.random或numpy.random.normal等函数。这种方法可能导致单元测试中的重复性问题。相反，应该使用numpy.random.RandomState对象，该对象是根据传递给类或函数的random_state参数构建的。
2）此random_state变量的影响有多远。 ？这个值能否在预测（分类或回归）方面产生很大的不同。如果是，我应该关注哪种数据集？或者更多的是关于稳定性而不是结果的质量？
好的问题不应过分依赖于random_state。
3）如果它可以产生很大的不同，那么如何最好地选择random_state？没有直觉，很难做GridSearch。特别是如果数据集是这样的，一个CV可能需要一个小时。
不要选择它。相反，尝试优化分类的其他方面以获得良好的结果，无论random_state。
4）如果动机只是在重复运行中只有稳定的结果/评估我的模型和交叉验证分数，如果我在使用任何算法之前设置random.seed（X），它是否具有相同的效果（并使用random_state作为None）。
从Should I use `random.seed` or `numpy.random.seed` to control random number generation in `scikit-learn`?开始，sklearn不使用random.seed(X)。如果您需要对此进行控制，则可以设置np.random.seed()。
5）假设我在GradientBoosted分类器上使用random_state值，并且我正在交叉验证以找到我的模型的优点（每次在验证集上得分）。一旦满意，我将在整个训练集上训练我的模型，然后将其应用于测试集。现在，完整的训练集比交叉验证中的较小训练集具有更多的实例。因此，与cv循环中发生的情况相比，random_state值现在可以导致完全不同的行为（特征和个体预测变量的选择）。类似于min sample样本等等也可能导致较差的模型，因为设置是w.r.t CV中的实例数，而实际的实例数更多。这是正确的理解吗？防范这种情况的方法是什么？
How can I know training data is enough for machine learning的答案主要表明数据越多越好。
如果您进行了大量的模型选择，也许Sacred也可以提供帮助。除此之外，每个评估的sets和log随机种子，f.ex。：
>>./experiment.py with seed=123