有人能告诉我为什么我们在分割训练集和测试集时将随机种子设为零吗？
X_train, X_test, y_train, y_test = \
train_test_split(X, y, test_size=0.30, random_state=0)
我曾经看到过像这样的情况，其中随机状态被设置为1！
X_train, X_test, y_train, y_test = \
train_test_split(X, y, test_size=0.30, random_state=1)
无论random_state是0还是1或任何其他整数都没有关系。重要的是，如果您想验证代码的多次运行处理结果，它应该设置为相同的值。顺便说一下，我在scikit的许多官方示例以及其他地方看到过random_state=42的使用。
如其名称所示，random_state用于初始化内部随机数生成器，该生成器将决定将数据分成训练和测试索引。在文档中，它指出:
如果random_state为None或np.random，则返回一个随机初始化的RandomState对象。
如果random_state是整数，则用它来生成一个新的RandomState对象。
如果random_state是一个RandomState对象，则通过它传递。
这是为了在多次运行代码时检查和验证数据。设置random_state为固定值将确保每次运行代码时生成相同序列的随机数。除非过程中存在其他随机性，否则产生的结果将始终相同。这有助于验证输出。
numpy 中，random_state 参数提供的值将作为伪随机数生成器的种子。当未设置时，大多数实现将使用当前系统时间作为种子。因此，仅将其设置为布尔值是不合适的。 - Vivek Kumar当random_state设置为一个整数时，train_test_split将为每次执行返回相同的结果。
当random_state设置为None时，train_test_split将为每次执行返回不同的结果。
请参考以下示例：
from sklearn.model_selection import train_test_split
X_data = range(10)
y_data = range(10)
for i in range(5):
X_train, X_test, y_train, y_test = train_test_split(X_data, y_data, test_size = 0.3,random_state = 0) # zero or any other integer
print(y_test)
print("*"*30)
for i in range(5):
X_train, X_test, y_train, y_test = train_test_split(X_data, y_data, test_size = 0.3,random_state = None)
print(y_test)
输出:
[2, 8, 4]
[2, 8, 4]
[2, 8, 4]
[2, 8, 4]
[2, 8, 4]
[4, 7, 6]
[4, 3, 7]
[8, 1, 4]
[9, 5, 8]
[6, 4, 5]
如果在代码中不提到random_state，那么每次执行代码时都会生成一个新的随机值，因此每次训练集和测试集将拥有不同的值。
但是，如果你每次都使用特定的random_state值（如random_state = 1或其他任何值），结果将始终相同，即训练集和测试集中的数值相同。
random_state=0的情况下，你得到的顺序将保持不变。之后，如果你执行random_state=5，然后再回到random_state=0，你会得到相同的顺序。而且所有整数的0都会保持一致。但是random_state=None每次都是随机分割的。如果仍有疑问，请参考this。如果你的代码中没有指定random_state，那么每次运行代码时都会生成一个新的随机值，因此每次训练和测试数据集将会有不同的值。
然而，如果指定了一个固定的值，例如random_state = 0或1或42，那么无论你执行代码的次数如何，结果都将是相同的，即训练和测试数据集中的数值相同。
默认情况下random_state为None，这意味着每次运行程序时，由于训练集和测试集之间的分割会有所不同，您将获得不同的输出。
当random_state = 任何整数值时，每次运行程序时，由于训练集和测试集之间的分割不会变化，您将获得相同的输出。
random_state是一个整数值，它表示选择训练集和测试集的随机组合。当您将test_size设置为1/4时，会生成一组训练集和测试集的排列组合，并且每个组合都有一个状态。
假设你有一个数据集 ---> [1,2,3,4]
Train | Test | State
[1,2,3] [4] **0**
[1,3,4] [2] **1**
[4,2,3] [1] **2**
[2,4,1] [3] **3**
对于我们的模型进行多次执行，随机状态确保训练和测试数据集的数据值相同。它固定了train_test_split的数据顺序。
train_test_split的文档说什么？ - Scott Hunter