如何消除 sklearn 上决策树的随机性？答案

【问题标题】：How can I remove the randomness of a decision tree on sklearn?如何消除 sklearn 上决策树的随机性？
【发布时间】：2019-10-31 01:24:18
【问题描述】：

我正在尝试在 python 中创建一个确定性决策树，但我遇到了一些问题。

如果我运行 2 次我的脚本，我会得到不同的决策树，因为算法的 random_state。

我尝试修复 random_state(random_state=0) 但它仍然无法正常工作。

我想消除决策树的随机性，但找不到明确的解决方案。

【问题讨论】：

您应该检查代码中的更多随机性，例如可能影响树的 train_test_split。
你能random.seed生成器吗？
感谢您的回复， - 我签入了我的代码，但火车测试拆分之间的拆分是固定的。 - random.seed 生成器是什么意思？
谢谢，现在可以使用了
注：删除我的评论以做出官方回答

标签： python scikit-learn decision-tree deterministic

【解决方案1】：

Sklearn 使用来自 numpy 的随机种子，因此您可以在脚本开头设置全局种子：

import numpy as np

np.random.seed(0)

【讨论】：

【解决方案2】：

random_state 参数应该有效，但这里有 2 个不同的选项

选项 1：

from sklearn.ensemble import RandomForestRegressor

rf = RandomForestRegressor(n_estimators=1000, criterion='mse', min_samples_leaf=4, 
                           random_state= 0)

这应该每次都返回相同的结果。

Scikit-learn 不使用自己的全局随机状态；每当一个 RandomState 实例或整数随机种子不作为参数，它依赖于 numpy 全局随机状态，可以设置使用 numpy.random.seed

选项 2：

话虽如此，添加 np.random.seed() 之前导入 RandomForestRegressor 也应该可以解决问题。

import numpy as np
np.random.seed(0)

来源：http://scikit-learn.org/stable/faq.html#how-do-i-set-a-random-state-for-an-entire-execution

【讨论】：