标签：决策树 训练 模式 tree 选择 log 构建 test stat
random_state是一个随机种子，是在任意带有随机性的类或函数里作为参数来控制随机模式。当random_state取某一个值时，也就确定了一种规则。
random_state可以用于很多函数，我比较熟悉的是用于以下三个地方：1、训练集测试集的划分 2、构建决策树 3、构建随机森林
1、划分训练集和测试集的类train_test_split
随机数种子控制每次划分训练集和测试集的模式，其取值不变时划分得到的结果一模一样，其值改变时，划分得到的结果不同。若不设置此参数，则函数会自动选择一种随机模式，得到的结果也就不同。
2、构建决策树的函数
clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30,splitter="random")
其取值不变时，用相同的训练集建树得到的结果一模一样，对测试集的预测结果也是一样的；
其值改变时，得到的结果不同；
若不设置此参数，则函数会自动选择一种随机模式，每次得到的结果也就不同。
3、构建随机森林
clf = RandomForestClassifier(random_state=0)
其取值不变时，用相同的训练集建森林得到的结果一模一样，对测试集的预测结果也是一样的；
其值改变时，建森林得到的结果不同；
若不设置此参数，则函数会自动选择一种随机模式，每次得到的结果也就不同。
总结：在需要设置random_state的地方给其赋一个值，当多次运行此段代码能够得到完全一样的结果，别人运行此代码也可以复现你的过程。若不设置此参数则会随机选择一个种子，执行结果也会因此而不同了。虽然可以对random_state进行调参，但是调参后在训练集上表现好的模型未必在陌生训练集上表现好，所以一般会随便选取一个random_state的值作为参数。
原文：https://www.cnblogs.com/simpleDi/p/9986198.html
标签：决策树 训练 模式 tree 选择 log 构建 test stat
原文地址：https://www.cnblogs.com/wisir/p/12602460.html
