sklearn.linear_model.LogisticRegression, random_state ayarlanmış olsa da her seferinde farklı katsayıları döndürür

Question

Bir lojistik regresyon modeli uyguluyor ve rasgele durumu sabit bir değere ayarlıyorum.

Ben farklı katsayılar olsun "uyum" do her zaman, örnek:

classifier_instance.fit(train_examples_features, train_examples_labels) 
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, 
      intercept_scaling=1, penalty='l2', random_state=1, tol=0.0001) 

>>> classifier_instance.raw_coef_ 
array([[ 0.071101940040772596 , 0.05143724979709707323, 0.071101940040772596 , -0.04089477198935181912, -0.0407380696457252528 , 0.03622160087086594843, 0.01055345545606742319, 
     0.01071861708285645406, -0.36248634699444892693, -0.06159019047096317423, 0.02370064668025737009, 0.02370064668025737009, -0.03159781822495803805, 0.11221150783553821006, 
     0.02728295348681779309, 0.071101940040772596 , 0.071101940040772596 , 0.     , 0.10882033432637286396, 0.64630314505709030026, 0.09617956519989406816, 
     0.0604133873444507169 , 0.     , 0.04111685986987245051, 0.     , 0.     , 0.18312324521915510078, 0.071101940040772596 , 
     0.071101940040772596 , 0.     , -0.59561802045324663268, -0.61490898457874587635, 1.07812569991461248975, 0.071101940040772596 ]]) 

classifier_instance.fit(train_examples_features, train_examples_labels) 
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, 
      intercept_scaling=1, penalty='l2', random_state=1, tol=0.0001) 

>>> classifier_instance.raw_coef_ 
array([[ 0.07110193825129411394, 0.05143724970282205489, 0.07110193825129411394, -0.04089477178162870957, -0.04073806899140903354, 0.03622160048165772028, 0.010553455400928528 , 
     0.01071860364222424096, -0.36248635488413910588, -0.06159021545062405567, 0.02370064608376460866, 0.02370064608376460866, -0.03159783710841745225, 0.11221149816037970237, 
     0.02728295411479400578, 0.07110193825129411394, 0.07110193825129411394, 0.     , 0.10882033461822394893, 0.64630314701686075729, 0.09617956493834901865, 
     0.06041338563697066372, 0.     , 0.04111676713793514099, 0.     , 0.     , 0.18312324401049043243, 0.07110193825129411394, 
     0.07110193825129411394, 0.     , -0.59561803345113684127, -0.61490899867901249731, 1.07812569539027203191, 0.07110193825129411394]]) 

ben versiyon 0.14 kullanıyorum, dokümanlar altında yatan C uygulaması ne zaman özellikleri seçmek için bir rasgele sayı üreteci kullanır" belirtmek Bu nedenle, aynı girdi verileri için biraz farklı sonuçlar elde etmek nadir değildir. Bu durumda, daha küçük bir tol parametresiyle deneyin. "

Rastgele durumun ayarlanmasının rastgele olmadığından emin olacağına inanıyorum ama görünüşe göre bu durum böyle değil. Bu bir hata mı yoksa istenen davranış mı?

Answer 1

Bu gerçekten arzu edilmiyor, ancak düzeltilmesi çok zor bilinen bilinen bir sorun. Buradaki şey, LogisticRegression modellerinin, Liblinear ile eğitildiğinden, rastgele tohumunu tamamen sağlam bir şekilde ayarlamaya izin vermez. Açık bir şekilde random_state'u ayarladığınızda, Liblinear'ın rastgele tohumunu ayarlamak için en iyi çaba gösterilir, ancak bu başarısız olabilir.

Answer 2

Sorunla da şaşırdım, ancak sonunda random_state'u geçmenin yanı sıra numpy'nin dahili RNG durumunu ayarlamak için de numpy.random.seed() numaralı telefonu çağırmanın gerekli olduğunu gördü.

Bu sklearn 0.13.1 ile test edilmiştir.