python sklearn模型中random_state参数的意义

random_state 相当于随机数种子random.seed() ，其作用是相同的。

一. 随机数种子代码演示：在1-100中取10个随机数

第一段和第二段代码完全相同，都没有设置 random seed。它每次取的结果就不同，它的随机数种子与当前系统时间有关。

In [1]: import random                                                                                                                                                            

In [2]: for i in range(10): 
   ...:     print(random.randint(1, 100)) 
   ...:                                                                                                                                                                          
52
59
53
13
100
97
42
45
27
52

In [3]: for i in range(10): 
   ...:     print(random.randint(1, 100)) 
   ...:                                                                                                                                                                          
2
11
41
39
31
12
36
11
13
14

第三第四段取不同的random seed，第五段采用与第四段一样的random seed。

In [4]: random.seed(123)                                                                                                                                                         

In [5]: for i in range(10): 
   ...:     print(random.randint(1,100)) 
   ...:                                                                                                                                                                          
7
35
12
99
53
35
14
5
49
69

In [6]: random.seed(456)                                                                                                                                                         

In [7]:                                                                                                                                                                          

In [7]: for i in range(10): 
   ...:     print(random.randint(1,100)) 
   ...:                                                                                                                                                                          
96
58
60
56
50
83
6
80
94
67

In [8]: random.seed(456)                                                                                                                                                         

In [9]: for i in range(10): 
   ...:     print(random.randint(1,100)) 
   ...:                                                                                                                                                                          
96
58
60
56
50
83
6
80
94
67

显而易见，当设置不同的随机数，得到的结果不一致；设置同一个随机数，在不同时间运行其结果一致。

二. sklearn 中的 random_state 参数

因为同一算法模型在不同的训练集和测试集的会得到不同的准确率，无法调参。

所以在sklearn 中可以通过添加random_state，通过固定random_state的值，每次可以分割得到同样训练集和测试集。

因此random_state参数主要是为了保证每次都分割一样的训练集和测试机，大小可以是任意一个整数，在调参缓解，只要保证其值一致即可。

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(X, Y, random_state = 10)