如何让极限学习机（ELM）每次运行得到固定结果？

1. 这种情况正常吗？ #

太正常了！这就是ELM的固有特性——极限学习机的输入层到隐藏层的权重、偏置是随机初始化的，而且这些参数不用像神经网络那样迭代调优，只靠求解伪逆得到输出层的权重。每次运行时随机出来的初始参数不一样，训练出的模型自然有差异，预测结果和RMSE也就跟着变了。

2. 怎么让结果固定下来？ #

核心就是把随机初始化的“种子”固定住，让每次生成的初始权重和偏置完全一样。有两种简单方法：

方法一：给ELM类加个随机种子参数 #

打开你使用的elm.py文件，修改ELM类的初始化和拟合逻辑，添加随机种子控制：

import numpy as np

class ELM:
    def __init__(self, hid_num, random_state=None):
        self.hid_num = hid_num
        self.random_state = random_state  # 新增随机种子参数
    
    def fit(self, X, y):
        # 生成权重前先固定随机种子
        if self.random_state is not None:
            np.random.seed(self.random_state)
        # 原有生成权重和偏置的代码示例
        self.input_weight = np.random.randn(X.shape[1], self.hid_num)
        self.bias = np.random.randn(self.hid_num)
        # 后续拟合逻辑保持不变...

修改后，创建模型时指定种子值即可：

model = ELM(hid_num=10, random_state=42).fit(X_train, y_train)

方法二：全局设置numpy随机种子 #

不想修改ELM源码的话，直接在你的训练脚本最开头添加一行，固定numpy的随机种子：

import numpy as np
np.random.seed(42)  # 种子值可自定义，比如123、42都可以

# 后续原有代码照常执行
y = df['rain'].copy()
X= df[['lag1']]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=200, shuffle=False)
model = ELM(hid_num=10).fit(X_train, y_train)
prediction = model.predict(X_test)

这样所有numpy生成的随机数都会基于同一个种子，ELM的初始参数就固定了，最终预测结果和RMSE也就不会再变。

如果你的ELM实现还用到了Python原生random模块，记得额外添加random.seed(42)，不过大部分ELM代码都是基于numpy随机函数，一般不需要这一步。

内容的提问来源于stack exchange，提问作者Jab