scikit学习的train_test_split（）方法

Question

我正在尝试使用DecisionTreeClassifier创建机器学习模型。 为了训练和测试我的数据，我从scikit Learn导入了train_test_split方法。 但是我不明白它的一个参数random_state 。

将数字值分配给model_selection.train_test_split函数的random_state有什么意义，我怎么知道为决策树分配random_state的值是什么？

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=324)

Answer 1

如果您没有random_state每次执行代码时都指定random_state ，则会得到一个不同的（随机）拆分。 相反，如果您提供random_state值，则拆分将始终相同。 它通常用于实验重现性。

例如：

X = [[1,5],[2,6],[3,2],[4,7], [5,5], [6,2], [7,1],[8,6]]
y = [1,2,3,4,5,6,7,8]


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
X_train_rs, X_test_rs, y_train_rs, y_test_rs = train_test_split(X, y, test_size=0.33, random_state=324)

print("WITH RANDOM STATE: ")
print("X_train: {}\ny_train: {}\nX_test: {}\ny_test: {}".format(X_train_rs, X_test_rs, y_train_rs, y_test_rs))
print("WITHOUT RANDOM STATE: ")
print("X_train: {}\ny_train: {}\nX_test: {}\ny_test: {}".format(X_train, X_test, y_train, y_test))

如果您在不同时间运行此代码，则可以看到每次运行时拆分都没有随机状态变化。

如sklearn文档中所述，如果要指定随机数生成器种子（最常见的情况），则random_state可以是整数， random_state可以直接指定RandomState类的实例。

Answer 2

如文档所述 ， random_state用于初始化train_test_split使用的随机数生成器（同样适用于其他方法）。 由于实际上有多种方法可以拆分数据集，因此，这是为了确保您可以对同一数据集多次使用该方法（例如，在一系列实验中）并且始终获得相同的结果（即，完全相同的训练和测试）在此处设置），即出于可重复性原因。 它的确切值并不重要，也不必担心。

使用docs中的示例，设置random_state=42可以确保获得与此处显示的结果完全相同的结果（以下代码实际上在我的计算机中运行，而不是从docs中复制粘贴）：

import numpy as np
from sklearn.model_selection import train_test_split

X, y = np.arange(10).reshape((5, 2)), range(5)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.33, random_state=42)

X_train
# array([[4, 5],
#        [0, 1],
#        [6, 7]])

y_train
# [2, 0, 3]

X_test
# array([[2, 3],
#        [8, 9]])

y_test
# [1, 4]

您应该在上面的代码段中尝试使用random_state不同值（或者random_state不指定它）来获得感觉。

Answer 3

random_state参数只是种子随机顺序。 如果您提供不同的random_state，它将以不同顺序拆分数据集。 如果您每次都提供相同的random_state，则拆分将相同。 数据集将以相同顺序拆分。

如果您希望数据集每次都以相同顺序拆分，则提供相同的random_state。

Answer 4

重新运行程序时，为随机状态提供一个值将有助于在拆分中重现相同的值。

如果您没有为随机状态提供任何值，那么每次运行后，我们将获得不同的测试和训练值集。 在这种情况下，如果遇到任何错误，则对调试没有帮助。

例：

设定：

from sklearn.model_selection import train_test_split
import pandas as pd

data = pd.read_csv("diabetes.csv")
X=data.iloc[0:,0:8]
X.head()
y=data.iloc[0:,-1]
y.head()

用random_state循环：

for _ in range(2):
    X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.33, random_state=42)
    print(X_train.head())
    print(X_test.head())

• 请注意，两次迭代的数据都相同

循环时没有random_state ：

for _ in range(2):
    X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.33)
    print(X_train.head())
    print(X_test.head())

• 请注意，两次迭代的数据都不相同

如果运行代码并查看输出，则将看到random_state相同时，它将提供相同的训练/测试集，但是当未提供random_state时，test /训练中的值集每次都不同。