sklearnのtrain_test_splitについて

Question

Pythonで機械学習をしているのですが、sklearnのtrain_test_splitについて質問です。

パラメータに、random_stateがあるのですが、その値が１や０の場合どのような違いがあるのでしょうか？

数値を変えた場合に認識精度が上がったり、下がったりするのですが、その違いについて教えてください。

マニュアルを見たところ、seedがどうのと書いてありました。また、試しに、配列を作成し、random_stateの値を１や０だけでなく、２や１１１など意味不明な値に変えて処理をしてみてもうまくsplitできています。

よろしくお願いします。

Answer 1

sklearnを含む通常プログラミングで利用できる乱数は、完全なランダムではなく、疑似的な乱数です。
一般的な疑似乱数は、通常、種(random_state = seed)＝初期値を与えて作り出す必要があります。
また、ここが重要なのですが、同じ種からは常に同じ乱数（の組）が出来上がります。

例えばrandom_stateに1を与えると、常に1,5,2,4,...という乱数（の組）が得られます。
また、同じように2を与えると常に3,4,1,1,...が得られます。（あくまで単純化した例です）

その結果得られる乱数の質（ばらつき具合など）は、変わりませんのでrandom_stateにどんな値を与えても、具体的にどのデータが抽出されるかは異なりますが、ちゃんとsplitされます。

以下のコードでは、どのような環境でも同じ乱数値が得られます。

import random
random.seed(123) # この123という値には特に意味はない
for i in range(5):
    print( random.random())
"""
0.052363598850944326
0.08718667752263232
0.4072417636703983
0.10770023493843905
0.9011988779516946
"""

参考：Random Seed って言葉を初めて知った!

Comments

[ruby_11]

回答ありがとうございます。

同じような質問が英語サイトであったので、そちらでも参照することができました。