Sklearn SVR模型for循环运行结果一致的问题解决求助

我来帮你搞定这个问题——你遇到的情况其实是sklearn模型随机性控制的典型场景，咱们一步步拆解：

为什么会出现这种差异？ #

当你单独多次运行脚本时，每次程序启动都会重新初始化全局随机数生成器，SVR训练过程中涉及随机选择的步骤（比如SMO算法的工作集挑选、多最优解场景下的迭代路径选择）会产生不同结果。但在for循环里，所有迭代都在同一个程序进程中，若不给每个SVR实例指定不同的随机种子，它们会复用相同的随机序列，最终导致训练结果完全一致。

解决方案（无需修改max_iter） #

只需要在每次循环实例化SVR时，给random_state参数传入一个变化的值即可。最简单的方式就是用循环变量作为随机种子，也可以用随机数生成器生成更灵活的种子：

方案1：用循环变量作为随机种子 #

from sklearn.svm import SVR
from sklearn.metrics import mean_absolute_error  # 补充导入缺失的依赖

Max_iter = 10
for l in range(0, Max_iter):
    # 每次循环传入不同的random_state
    SVRGWO = SVR(kernel='rbf', gamma=0.032, C=16187.696941074802, random_state=l)
    SVRGWO.fit(X_train, y_train)
    y_preda = SVRGWO.predict(X_test)
    MAEValue1 = mean_absolute_error(y_test, y_preda, multioutput='uniform_average')
    print(MAEValue1)

方案2：用随机数生成器生成种子 #

如果想要更“随机”的序列，可提前生成一组不重复的随机种子：

import numpy as np
from sklearn.svm import SVR
from sklearn.metrics import mean_absolute_error

Max_iter = 10
# 提前生成一组随机种子
seeds = np.random.randint(0, 10000, size=Max_iter)
for l in range(0, Max_iter):
    SVRGWO = SVR(kernel='rbf', gamma=0.032, C=16187.696941074802, random_state=seeds[l])
    SVRGWO.fit(X_train, y_train)
    y_preda = SVRGWO.predict(X_test)
    MAEValue1 = mean_absolute_error(y_test, y_preda, multioutput='uniform_average')
    print(MAEValue1)

补充说明 #

• 这个方法完全不需要修改SVR的max_iter参数，符合你的要求；
• random_state会固定SVR训练中的随机行为，不同种子会带来不同的训练路径，从而产生不同的模型和预测结果；
• 若后续需要复现某次循环的结果，只需记录对应的random_state值即可。

内容的提问来源于stack exchange，提问作者Muthana Mhairat