python – 使scikit确定性?

前端之家收集整理的这篇文章主要介绍了python – 使scikit确定性?前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

我正在使用scikit-learn训练一些分类器.我做交叉验证,然后计算AUC.但是,每次运行测试时,我都会获得不同的AUC编号,尽管我确保使用种子和RandomState.我希望我的测试是确定性的.这是我的代码

from sklearn.utils import shuffle
SEED = 0
random_state = np.random.RandomState(SEED)
X,y = shuffle(data,Y,random_state=random_state)
X_train,X_test,y_train,y_test = \
        cross_validation.train_test_split(X,y,test_size=test_size,random_state=random_state)
clf = linear_model.LogisticRegression()
kfold = cross_validation.KFold(len(X),n_folds=n_folds)
mean_tpr = 0.0
mean_fpr = np.linspace(0,1,100)

for train,test in kfold:
        probas_ = clf.fit(X[train],Y[train]).predict_proba(X[test])
        fpr,tpr,thresholds = roc_curve(Y[test],probas_[:,1])
        mean_tpr += interp(mean_fpr,fpr,tpr)
        mean_tpr[0] = 0.0

mean_tpr /= len(kfold)
mean_tpr[-1] = 1.0
mean_auc = auc(mean_fpr,mean_tpr)

我的问题:
1-我的代码中是否有错误导致每次运行时结果都不同?
2-是否存在使scikit具有确定性的全局方法

编辑:

我刚试过这个:

test_size = 0.5
X = np.random.randint(10,size=(10,2))
Y = np.random.randint(2,size=(10))
SEED = 0
random_state = np.random.RandomState(SEED)
X_train,y_test = \
    cross_validation.train_test_split(X,random_state=random_state)

print X_train # I recorded the result

然后我做了:

X_train,random_state=6) #notice the change in random_state

然后我做了:

X_train,random_state=random_state)

print X_train #the result is different from the first one!!!!

如你所见,虽然我使用了相同的random_state,但我得到了不同的结果!怎么解决这个?

最佳答案
LogisticRegression在内部使用随机性,并且有一个(未记录的,稍后会修复)random_state参数.

没有设置随机状态的全局方法,因为遗憾的是LogisticRegression上的随机状态和SVM代码只能以hacky方式设置.那是因为这段代码来自Liblinear和LibSVM,后者使用C标准库的rand函数,无法以原则方式播种.

编辑以上是正确的,但可能不是问题的原因.您正在通过调用线程化单个np.random.RandomState,而您应该传递相同的整数种子以便于重现.

原文链接:https://www.f2er.com/python/439774.html

猜你在找的Python相关文章