我不了解在训练测试拆分和MLP回归器中更改随机状态之间的区别

问题描述

我正在尝试找出列车测试拆分中的随机状态与MLP回归器中的随机状态之间的差异。 如果我在MLP回归器中更改它，则我进行的所有试验都非常好。但是，如果我在火车试车赛段中更改了它，则会得到各种各样的结果。我读到它们都是随机种子，但是我不知道它们对MLP的影响取决于我在哪里更改。

谢谢您的帮助！

解决方法

我假设您有一些类似于scikit示例here中的代码：

X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=1)
regr = MLPRegressor(random_state=1,max_iter=500).fit(X_train,y_train)

首先，您在 train_test_split 中更改了随机状态，然后在 MLPRegressor 中对其进行了更改并进行了比较。

在train_test_split方法中更改random_state时，它将根据您的random_state与以前对数据进行随机排序，因此，训练和测试数据看起来会有所不同。 （Documentation）

更改MLPRegressor的random_state时，它不仅使用该种子在train_test_split方法中对数据进行混洗，而且还生成权重，初始化偏差并确定批量采样。 （Documentation）

因此，更改MLPRegressor中的随机状态不仅需要更改train_test_split随机状态，还需要进行更多更改。希望我能正确理解您的问题，并能为您提供帮助。