我试图找出训练测试拆分和 MLP 回归器中的随机状态之间的区别。如果我在 MLP 回归器中更改它，我运行的所有试验都非常好。但是，如果我在火车测试拆分中更改它，我会得到广泛的结果。我读到两者都是随机种子，但我不明白它们对我的 MLP 的影响有何不同，具体取决于我更改它的位置。
感谢您的帮助！
问问题
33 次
1 回答
0
我假设您有一些代码，例如 scikit-example 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)
首先在train_test_split中更改随机状态，然后在 MLPRegressor 中更改它并进行比较。
在 train_test_split 方法中更改 random_state 时，它会根据您的 random_state 对您的数据进行稍微不同的洗牌，因此您的训练和测试数据看起来不同。（文档）
在更改 MLPRegressor 的 random_state 时，它不仅使用该种子在 train_test_split 方法中打乱您的数据，还生成权重、初始化偏差并确定批量采样。（文档）
因此，更改 MLPRegressor 中的随机状态需要进行更多更改，而不仅仅是更改 train_test_split 随机状态。希望我正确理解了您的问题并可以帮助您。
于 2020-08-13T10:33:18.447 回答