R - 这分裂了哪个种子？答案

【问题标题】：R - Which seed did this split?R - 这分裂了哪个种子？
【发布时间】：2016-09-16 22:10:04
【问题描述】：

通常我们会固定一个种子编号以在每次运行代码时产生相同的拆分。所以代码

set.seed(12345)
data <- (1:100)
train <- sample(data, 50)
test <- (1:100)[-train]

总是给出相同的训练集和测试集（因为我们固定了种子）。

现在，假设我有一个数据、训练和测试。有没有办法知道哪个种子号用于从数据中产生训练和测试？？？最佳。

【问题讨论】：

标签： r

【解决方案1】：

不可能用绝对的数学知道确定性：但是如果您怀疑种子所在的范围，您可以通过“蛮力”检查该范围内的每个种子并查看如果它导致相同的结果。

例如，您可以使用以下代码检查从 1 到 100 万的种子：

tests <- sapply(1:1e6, function(s) {
  set.seed(s)
  this_train <- sample(data, 50)

  all(this_train == train)
})

which(tests)
# 12345

几点说明：

如果您的数据集或样本小得多，您将开始发生冲突 - 多个种子提供相同的输出。例如，如果您从 10 中抽取 5 粒，而不是从 100 粒中抽取 50 粒，则 1:1e6 范围内的 34 粒种子会产生相同的结果。
如果您完全不怀疑种子是如何设置的，则必须检查从 -.Machine$integer.max 到 .Machine$integer.max，在我的计算机上需要 42 亿次检查（这需要一段时间，您可能必须聪明地不要存储所有结果）。
如果在set.seed() 之后生成了随机数，您需要在函数中的set.seed 和sample 行之间复制相同的行为。
设置种子后sample 的行为可能是differ in very old versions of R，因此您可能无法重现在早期版本上创建的行为

【讨论】：

如果在设置种子之后和提取样本之前生成了一些随机数会怎样？我尝试在train <- sample(data, 50) 之前插入invisible(runif(50))，但无法通过您的程序找到种子。
@nicola 关于您的第二条评论，您当然是对的，我在考虑旧版本的 R （添加链接）之间。关于第一个，您必须在 set.seed 之后的函数中添加这些随机生成。
确实如此。所以必须说明，上述方法只有在我们感兴趣的样本是在设置种子之后立即生成的，或者在种子和样本之间生成的随机数的数量已知的情况下才有效。在后一种情况下，您必须在解决方案中的 set.seed 部分之后添加类似 runif(n) 的内容。
@nicola 我查看了它并确认如果您不知道在这之间进行了哪些随机生成，您将无法在几次随机生成后重置状态。来自?set.seed 关于（默认）Mersenne-Twister：A twisted GFSR with period 2^19937 - 1 and equidistribution in 623 consecutive dimensions (over the whole period). The ‘seed’ is a 624-dimensional set of 32-bit integers plus a current position in that set。这将是不可能的蛮力并且会发生碰撞。

【解决方案2】：

不，这是不可能的。多个种子可以产生同一系列的数据。这是不可逆的。

【讨论】：

不可能100%确定完美，但100个（choose(100, 50)）中50个可能的样本数约为10^29。可能的种子数为.Machine$integer.max * 2 + 1 = 4294967295。如果它们是随机分布的（它们不会是完美的，但随机化器旨在接近这一点），因此另一个种子获得相同输出的可能性是 1/10^19。
公平点。我承认我没有花时间做它背后的数学，只是逻辑。感谢您的评论。