sklearn.model_selection.RepeatedKFold

重复n次K-Fold ，每次重复有不同的随机性。
from sklearn.model_selection import RepeatedKFold
rpkfold= RepeatedKFold(n_splits=5,n_repeats=2,random_state =0)

有三个参数：
第一个参数 n_splits是几折
第二个参数 n_repeats重复几次
第三个参数 random_state随机种子
random_state 相当于随机数种子random.seed() random_state 与 random seed 作用是相同的
如果设置了相同的 random seed（数值），它们取的随机数就完全相同，多运行几次也是这样

如果设置不同的random seed（数值） ，于是运行取随机数的结果也不同

random_state参数：
例如：在sklearn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：
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和测试集。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。

作者：owolf
链接：https://www.jianshu.com/p/4deb2cb2502f
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。