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。但我无法理解其名为 random_state 的论点之一。

将数值分配给 random_state 的 model_selection.train_test_split 函数有什么意义，我怎么知道要为我的决策树分配 random_state 的数值？

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

原文由 Nafees 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

正如 文档 所述， random_state 用于初始化 --- 中使用的随机数生成器 train_test_split （其他方法也类似）。由于实际拆分数据集有许多不同的方法，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）并始终获得相同的结果（即完全相同的训练和测试设置在这里），即出于 可重复性 的原因。它的确切值并不重要，您也不必担心。

使用 文档 中的示例，设置 random_state=42 确保您获得与此处显示的完全相同的结果（下面的代码实际上在我的机器上运行，而不是从文档中复制粘贴）：

 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片段中为 random_state 尝试不同的值（或者根本不指定它）以获得感觉。

原文由 desertnaut 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

为随机状态提供一个值将有助于在您重新运行程序时在拆分中重现相同的值。

如果您不为随机状态提供任何值，我们将在每次运行后获得一组不同的测试值和训练值。在这种情况下，如果遇到任何错误，则对调试没有帮助。

例子：

设置：

 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()

循环 random_state ：

 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 相同

没有 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)
    print(X_train.head())
    print(X_test.head())

• 请注意，两次迭代的数据 不同

如果您运行代码并查看输出，您将看到何时 random_state 是相同的，它将提供相同的训练/测试集，但未提供 random_state 时，测试/训练中的一组值每次都不同。

原文由 Akshay Patel 发布，翻译遵循 CC BY-SA 4.0 许可协议