现代机器学习技术中的许多算法和方法都包含随机性，因此，多次运行相同的 ML 脚本可能会导致不同的输出，从而导致准确性结果。例如，运行随机森林可以产生 0.78 的准确度，然后在数据、设置、代码没有变化的情况下再次运行时，可以得到 0.79。当我测试输入的一些变化及其对输出的影响时，这带来了无法执行受控实验的挑战。
因此，为了能够执行完美控制的实验以实现最佳模型输出，我应该修复哪些广泛的随机参数集？我希望整个过程是完全确定的。
PS：我正在使用 Sci-kit Learn 环境和其他算法，例如 XGBoost、CatBoost、LightGBM。
我假设有一些参数 random_state(s) 我也应该在 NumPy 中修复。
Scikit 使用 numpy 生成伪随机数。因此，要修复各种 scikit 调用中的随机状态，请使用numpy.random.seed(12345)然后使用 scikit。您可能希望在记录模型时记录随机种子，以便稍后重现相同的运行。
如果您的代码（或您调用的代码）也使用 Python 的随机数生成器，您也可以设置random.seed。
如何设置种子取决于库。例如，我相信大多数xgboostAPI 都会公开一个seed参数。不确定catboost。
您还依赖于库，甚至公开了一种方法来播种它所做的任何伪随机选择。有可能一些图书馆并不完全这样做。（或者在 Spark 的情况下，有时结果甚至可以想象取决于分布式执行的顺序，这很难控制。）