关于随机数的设定和随机噪声

 以下是设立随机数和随机噪声的code：

设定随机数的方法有很多，下面代码是通过numpy的API设定随机数，除了numpy，实际上scikit，tf，pytorch都有设定随机数的API的

# Set a random seed for reproducibility(01modifiy)加入随机数的代码最好是在第一行
np.random.seed(200)


# 数据集拆分
X, y = np.array(dataset['Smiles']), np.array(dataset['pIC50'])

# Add random noise to the target variable y(01modify)
noise_factor = 0.1  # You can adjust this value based on the amount of noise you want
y_with_noise = y + np.random.normal(0, noise_factor, size=len(y))

# Split the dataset with noisy target variable(01modify)
X_train, X_test, y_train, y_test = train_test_split(X, y_with_noise, test_size=0.3)

以下是未加入随机噪声的code：

# 数据集拆分
X, y = np.array(dataset['Smiles']), np.array(dataset['pIC50'])
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

以01modifySVM.py为例：

加入随机噪声后结果

未加入随机噪声的结果：

我们发现加入随机噪声后，效果更好。

我们知道，加入随机数的目的，是让结果可重复性，可控。加入随机噪声的原因是提高鲁棒性，因为现实情况实际上是有噪声的（如实验测活的误差）。

关于随机数的选取：

#这是某篇文章的插入随机的方案，就按梯度设置一系列随机数
for randx in [8,12,42,50,65,78,105]:
    spliter = randomSpliter(test_size=0.25,random_state=randx)
    spliter.ExtractTotalData(file,label_name='label')
    spliter.SplitData()
    tr_x = spliter.tr_x
    tr_y = spliter.tr_y
    te_y = spliter.te_y

这里我们知道一点，如果只是发文章的话，可以挑取效果好的随机数，但是实际上我们要知道一点，如果模型受到随机数的影响较大，那只能说明模型不咋地。