为什么GridSearchCV会在重复运行时给出不同的优化？

Question

我正在使用GridSearchCv（python中的sklearn包）执行参数选择，其中模型是具有Logistic损失的弹性网络（即具有L1和L2范数正则化罚分的逻辑回归）。我正在使用SGDClassifier来实现此模型。我有两个参数搜索最佳值：alpha（与正则化项相乘的常数）和l1_ratio（弹性网络混合参数）。我的数据集有大约300,000行。我按如下方式初始化模型：
sgd_ela = SGDClassifier(alpha=0.00001, fit_intercept=True, l1_ratio=0.1,loss='log', penalty='elasticnet')
和搜索fxn。如下：
GridSearchCV(estimator=sgd_ela, cv=8, param_grid=tune_para)，
带调整参数：
tune_para = [{'l1_ratio': np.linspace(0.1,1,10).tolist(),'alpha':[0.00001, 0.0001, 0.001, 0.01, 0.1, 1]}]。

运行代码后，我得到best_params（alpha和l1_ratio）。但是，在重复运行中，我没有获得相同的最佳参数集。我很想知道为什么会这样，如果可能的话，我怎么能克服它？

Answer 1

如果您希望每次都获得相同的结果，请尝试设置随机种子。