tl; dr实际上，您可以将种子设置为您想要的任何内容（例如您的生日或电话号码 [尽管那里存在明显的隐私问题 :-)] 或您的幸运号码）；有一些有趣的警告，您可以在大多数分析中使用相同的随机数种子（我经常使用 1001）。为了有用，随机算法通常对随机数种子不敏感。

长答案

经典统计方法（t 检验、方差分析、回归等）是确定性算法，但许多现代算法方法包括随机成分。（介于两者之间的是 k 均值聚类或期望最大化等方法，它们本质上是确定性的，但通常从多个随机选择的起点运行，以减轻它们对起点条件的敏感性。）

SVM 不需要是随机的（例如，R 包中的实现似乎是确定性的），但出于计算原因e1071，它通常使用随机梯度下降（SGD：例如参见此处）来实现。

使用来自数据的大量随机样本的方法（例如 bootstrapping、bagging 以及 SGD，在每个更新步骤中选择不同的数据样本）有效地对许多样本进行平均，并且可能相对不敏感到随机数种子。对于随机数种子（例如 EM、k-means 聚类）可能不稳定的方法通常会在软件中内置机制，该机制将自动运行多个实现并对结果进行合理的处理（即平均它们） , 使方法不那么敏感。

这种敏感性是您在使用方法之前应该了解的信息的一部分（以及对其优缺点的一些了解，它有哪些需要调整的元参数等）。

学习过程中最好的做法是尝试一些实验——对于一个特定的数据集和模型，用少数不同的随机数种子尝试相同的方法，看看结果有多大不同！