Python：scikit-learn isomap结果似乎是随机的，但没有设置random_state的可能性

Question

我正在使用来自scikit-learn流形学习的Isomap。我减少到二维，并观察在同一数据集上每次运行algorthm而没有任何改变时，结果向量发生变化。我假设算法中使用了一些随机数，但没有办法设置种子。 Random_state不是传递给Isomap的变量。我错过了什么吗？

Answer 1

您看到的随机内容是关于您的结果的标志。标志不是（在我看来）100％随机。每个组件内的符号是一致的，因此相对关系在结果中是一致的。组件之间的标志是随机的。换句话说，哪个组件乘以1或KernelPCA是随机的。此行为来自Isomap使用arpack内核时eigen_solver='dense'使用的函数。

首先为您提供解决方案，您可以在使用Isomap时使用eigen_solver = 'arpack'。这可能会降低您的算法速度，但应删除此随机性。我知道上面这个解释可能会令人困惑。让我提供更多细节，并通过情节展示。

首先，＆＃34;签署随机性＆＃34;？的可视化结果是什么？使用以下代码（从this official example修改）与fit_transform，您可以看到使用相同Isomap类的两个eigen_solver='dense'可能（或可能不会）给您不同的结果。但是，正如您在图中看到的，相对位置保持不变。只是整个情节都被翻转了。如果您使用import numpy as np import matplotlib.pyplot as plt from matplotlib import offsetbox from sklearn import (manifold, datasets, decomposition, ensemble, discriminant_analysis, random_projection) digits = datasets.load_digits(n_class=6) X = digits.data y = digits.target n_samples, n_features = X.shape n_neighbors = 30 def plot_embedding(X, ax, title=None): x_min, x_max = np.min(X, 0), np.max(X, 0) X = (X - x_min) / (x_max - x_min) for i in range(X.shape[0]): ax.text(X[i, 0], X[i, 1], str(digits.target[i]), color=plt.cm.Set1(y[i] / 10.), fontdict={'weight': 'bold', 'size': 9}) eigen_solver = 'arpack' #eigen_solver = 'dense' iso = manifold.Isomap(n_neighbors, n_components=2, eigen_solver=eigen_solver) X_iso1 = iso.fit_transform(X) X_iso2 = iso.fit_transform(X) fig = plt.figure(figsize=(16, 6)) ax1 = fig.add_subplot(121) plot_embedding(X_iso1, ax1) ax2 = fig.add_subplot(122) plot_embedding(X_iso2, ax2) plt.show() 并多次运行代码，则无法看到此随机性：

KernelPCA

其次，有没有办法将种子设置为＆＃34;稳定＆＃34;随机状态？不，目前无法从Isomap为random_state设置种子。然而，对于KernelPCA，存在一个kwarg eigen_solver = 'arpack'，它是＆＃34;伪随机数生成器，用于在eigen_solver =='arpack'＆＃34;时初始化残差。使用以下代码进行播放（从this official test code修改），即使使用import matplotlib.pyplot as plt import numpy as np from sklearn.decomposition import KernelPCA X_fit = np.random.rand(100, 4) X = np.dot(X_fit, X_fit.T) eigen_solver = 'arpack' #eigen_solver = 'dense' #random_state = None random_state = 0 kpca = KernelPCA(n_components=2, kernel='precomputed', eigen_solver=eigen_solver, random_state=random_state) X_kpca1 = kpca.fit_transform(X) X_kpca2 = kpca.fit_transform(X) plt.plot(X_kpca1[:,0], X_kpca1[:,1], 'ro') plt.plot(X_kpca2[:,0], X_kpca2[:,1], 'bo') plt.show() ，您也可以看到此随机性消失（蓝点覆盖红点）：

String str[] = {"aa", "55"};

byte b[] = new byte[str.length];

for (int i = 0; i < str.length; i++) {
    b[i] = (byte) Integer.parseInt(str[i], 16);
}