对于类比例为 33:67 的二元分类问题，我一直在对同一组数据运行几个 ML 模型。
在昨天和今天的运行中，我有相同的算法和相同的超参数集。
请注意，我random_state在每个估计器函数中也有参数，如下所示
np.random.seed(42)
svm=SVC() # i replace the estimator here for diff algos
svm_cv=GridSearchCV(svm,op_param_grid,cv=10,scoring='f1')
svm_cv.fit(X_train_std,y_train)
q1) 为什么即使我已经random_state配置了也会发生这种变化？
q2) 每次跑步时我还应该做些什么来重现相同的结果？
请在下面找到不同的结果？这里auc-Y表示昨天的运行
不是每颗种子都是一样的。
这是设置所有种子的确定功能，您可以期待完全的可重复性：
def seed_everything(seed=42):
""""
Seed everything.
"""
random.seed(seed)
os.environ['PYTHONHASHSEED'] = str(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
torch.backends.cudnn.deterministic = True
你必须导入torch、numpy等。
更新：如何为 sklearn 模型设置全局随机种子：
鉴于 sklearn 没有自己的全局随机种子，但使用 numpy 随机种子，我们可以使用上面的方法全局设置它：
np.random.seed(seed)
这是 scipy 库的一个小实验，类似的是 sklearn（生成随机数 - 通常是权重）：
import numpy as np
from scipy.stats import norm
print('Without seed')
print(norm.rvs(100, size = 5))
print(norm.rvs(100, size = 5))
print('With the same seed')
np.random.seed(42)
print(norm.rvs(100, size = 5))
np.random.seed(42) # reset the random seed back to 42
print(norm.rvs(100, size = 5))
print('Without seed')
np.random.seed(None)
print(norm.rvs(100, size = 5))
print(norm.rvs(100, size = 5))
输出和确认
Without seed [100.27042599 100.9258397 100.20903163 99.88255017 99.29165699] [100.53127275 100.17750482 98.38604284 100.74109598 101.54287085] With the same seed **[101.36242188 101.13410818 102.36307449 99.74043318 98.83044407]** **[101.36242188 101.13410818 102.36307449 99.74043318 98.83044407]** Without seed [101.2933838 100.52176902 101.38602156 100.72865231 99.02271004] [100.19080241 99.11010957 99.51578106 101.56403284 100.37350788]