我有一些数据，我正在拟合一个sk学习决策树分类器。因为分类器使用了一点随机性，所以我运行了几次并保存了最佳模型。然而，我希望能够重新训练数据，并在不同的机器上获得相同的结果。
在我为每个分类器训练模型之后，有没有办法找出初始的随机状态？
编辑sklearn模型有一个名为get_params（）的方法，显示输入内容。但是对于random\u state它仍然表示None。然而，根据文档，在这种情况下，它使用numpy生成一个随机数。我想弄清楚那个随机数是什么
你必须传递一个显式的随机状态给d-树构造函数：
>>> DecisionTreeClassifier(random_state=42).get_params()['random_state']
42
将其保留为默认值None意味着fit方法将使用numpy。random的单例随机状态，它是不可预测的，在不同的运行中也不相同。
我建议你最好使用随机森林来达到这个目的——随机森林包含许多根据你的预测器子集建模的树。然后，您可以通过简单地使用R随机森林变量ame.estimators_< /code>来查看模型中使用的random_states
我将在这里使用我的代码作为示例：
with open('C:\Users\Saskia Hill\Desktop\Exported\FinalSpreadsheet.csv', 'rb') as csvfile:
titanic_reader = csv.reader(csvfile, delimiter=',', quotechar='"')
row = titanic_reader.next()
feature_names = np.array(row)
# Load dataset, and target classes
titanic_X, titanic_y = [], []
for row in titanic_reader:
titanic_X.append(row)
titanic_y.append(row[11]) # The target values are your class labels
titanic_X = np.array(titanic_X)
titanic_y = np.array(titanic_y)
print titanic_X, titanic_y
print feature_names, titanic_X[0], titanic_y[0]
titanic_X = titanic_X[:, [2,3,4,5,6,7,8,9,10]] #these are your predictors/ features
feature_names = feature_names[[2,3,4,5,6,7,8,9,10]]
from sklearn import tree
rfclf = RandomForestClassifier(criterion='entropy', min_samples_leaf=1, max_features='auto', max_leaf_nodes=None, verbose=0)
rfclf = rfclf.fit(titanic_X,titanic_y)
rfclf.estimators_ #the output for this is pasted below:
[DecisionTreeClassifier(compute_importances=None, criterion='entropy',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_density=None, min_samples_leaf=1, min_samples_split=2,
random_state=1490702865, splitter='best'),
DecisionTreeClassifier(compute_importances=None, criterion='entropy',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_density=None, min_samples_leaf=1, min_samples_split=2,
random_state=174216030, splitter='best') ......
因此，随机林将随机性引入到决策树文件中，并且不需要对决策树使用的初始数据进行调整，但它们作为交叉验证的方法，为您的数据准确性提供了更大的信心（特别是如果像我一样，您有一个小数据集）。
