为什么 sklearn.metrics 每次都支持值变化？

Question

我正在训练一个监督学习 keras 模型，以将数据分类为 3 个类别之一。训练后，我运行这个：

dataset = pandas.read_csv(filename, header=[0], encoding='utf-8-sig', sep=',')

# split X and Y (last column)
array = dataset.values
columns = array.shape[1] - 1
np.random.shuffle(array)
x_orig = array[:, 1:columns]
testy = array[:, columns]
columns -= 1

# normalize data
scaler = StandardScaler()
testx= scaler.fit_transform(x_orig)

#onehot
testy = to_categorical(testy)

# load weights
save_path = "[filepath]"
model = tf.keras.models.load_model(save_path)

# gets class breakdown
y_pred = model.predict(testx, verbose=1)
y_pred_bool = np.argmax(y_pred, axis=1)
y_true = np.argmax(testy, axis=1)
print(sklearn.metrics.precision_recall_fscore_support(y_true, y_pred))

sklearn.metrics.precision_recall_fscore_support 打印每个类的支持以及其他指标。根据此链接，支持是 y_true 中每个类的出现次数，即真实标签。 https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html

我的问题：每次运行，支持都不同。我使用相同的数据，并且对每个类的支持总是相同的（但与文件中的总数不同——我也不明白），但每个类的数量不同。

例如，一次运行可能会说 [16870, 16299, 7807]，下一次可能会说 [17169, 15923, 7884]。它们加起来相同，但每个类别不同。

由于我的数据在运行之间没有变化，我希望每次支持都相同。我错了吗？如果不是，那是怎么回事？我试过谷歌搜索，但没有得到任何有用的结果。

可能有用的信息：当我运行 sklearn.metrics.classification_report 时，我遇到了同样的问题，并且其中的数字与precision_recall_fscore_support 中的数字相匹配。

旁注：与上述问题无关，但我也无法通过 google-fu 找到这个问题的答案，我希望可以包含在此处。当我运行 model.evaluate 时，部分打印输出是例如74us/样品。我们/样品是什么意思？

Answer 1

添加：

np.random.seed(42)

在你洗牌之前

np.random.shuffle(array)

The reason for this is without seedingnp.shuffle 每次都会创建不同的结果。因此，当您将数组输入模型时，它将返回不同的结果。播种允许您每次都将其重新洗牌，从而产生可重复的结果。

或者你不能每次都洗牌并获得相同的数组来输入模型。一种或两种方法都将确保模型内的可重复性。