python sklearn模型中random_state参数的意义

很多人都把random_state解释为随机数种子。是不是很懵逼？什么是随机数种子？

我也不知道什么是随机数种子。但是，随机数种子是为了保证每次随机的结果都是一样的

Example：sklarn可以随机分割训练集和测试集（交叉验证），只需要在代码中引入model_selection.train_test_split就可以了

代码：

from sklearn import model_selection
x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, test_size=0.2, random_state=0)
这里的random_state就是为了保证程序每次运行都分割一样的训练集合测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样。

当你用sklearn分割完测试集和训练集，确定模型和促初始参数以后，你会发现程序每运行一次，都会得到不同的准确率，无法调参。这个时候就是因为没有加random_state。加上以后就可以调参了。

如果你不知道如何高效调参，请参考：

使用TPOT自动选择scikit-learn机器学习模型和参数

TPOT自动选择机器学习模型和参数--回归示例
————————————————
原文链接：https://blog.csdn.net/Tony_Stark_Wang/article/details/80407923