随机状态（伪随机数）在Scikit学习
我想在scikit学习中实现一个机器学习algorithm，但我不明白这个参数random_state做什么？ 我为什么要用它？
我也不明白什么是伪随机数字。
train_test_split将数组或matrix分解为随机train_test_split和testing子集。 这意味着每次运行它时都没有指定random_state ，您将得到不同的结果，这是预期的行为。 例如：
运行1：
>>> a, b = np.arange(10).reshape((5, 2)), range(5) >>> train_test_split(a, b) [array([[6, 7], [8, 9], [4, 5]]), array([[2, 3], [0, 1]]), [3, 4, 2], [1, 0]]
运行2
>>> train_test_split(a, b) [array([[8, 9], [4, 5], [0, 1]]), array([[6, 7], [2, 3]]), [4, 2, 0], [3, 1]]
它改变。 另一方面，如果你使用random_state=some_number ，那么你可以保证运行1的输出将等于运行2的输出，也就是说你的分割总是相同的。 不pipe什么样的实际random_state数是random_state ，…重要的是，每次你使用42，你总是会得到相同的输出，你第一次分裂。 如果你想得到可重复的结果，例如在文档中，这是非常有用的，这样每个人在运行示例时都能够始终如一地看到相同的数字。 在实践中，我会说，你应该设置random_state到一些固定的数字，而你testing的东西，但如果你真的需要一个随机（而不是一个固定的）拆分，然后删除它。
关于你的第二个问题，一个伪随机数发生器是一个产生几乎真正的随机数的数字发生器。 为什么他们不是真正的随机超出了这个问题的范围，可能对你的情况无关紧要，你可以在这里看看更多的细节。
