????????random_state 相當于隨機數種子random.seed() 。random_state 與 random seed 作用是相同的。
隨機數種子代碼演示：在1-100中取10個隨機數
????????第一段和第二段代碼完全相同，都沒有設置 random seed。它每次取的結果就不同，它的隨機數種子與當前系統(tǒng)時間有關。
????????第三段和第四段代碼設置了相同的 random seed（123），它們取的隨機數就完全相同，多運行幾次也是這樣。
????????第五段和第六段代碼設置了 不同的random seed ，于是運行取隨機數的結果也不同。
????????如果你在需要設置隨機數種子的地方都設置好，那么當別人重新運行你的代碼的時候就能得到完全一樣的結果，復現(xiàn)和你一樣的過程。
random_state參數：
? ? ? ?例如：在sklearn可以隨機分割訓練集和測試集（交叉驗證），只需要在代碼中引入model_selection.train_test_split就可以了：
from sklearn import model_selection
x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)
????????這里的random_state就是為了保證程序每次運行都分割一樣的訓練集和測試集。否則，同樣的算法模型在不同的訓練集和測試集上的效果不一樣。
????????當你用sklearn分割完測試集和訓練集，確定模型和初始參數以后，你會發(fā)現(xiàn)程序每運行一次，都會得到不同的準確率，無法調參。這個時候就是因為沒有加random_state。加上以后就可以調參了。
