我在进行人工智能和机器学习的两个项目时，脑海中冒出了这个问题。如果我正在构建一个模型（例如，分类神经网络、K-近邻等），并且这个模型使用了一些包含随机性的函数，那么如果我不固定随机种子，每次在相同的训练数据上运行算法时，我都会得到不同的准确率结果。但是，如果我固定了随机种子，那么其他的设置可能会产生更好的结果。

仅仅通过对一组准确率进行平均，就能说这个模型的准确率是xx%吗？

我不确定这里是否是提出此类问题/开启此类讨论的合适场所。

回答：

有些模型本质上依赖于随机性（例如，随机森林），而有些模型仅将随机性用作探索空间的一部分（例如，神经网络的初始值设定），但实际上具有明确的、确定性的目标函数。

对于第一种情况，你将需要使用多个随机种子并报告平均准确率、标准差以及获得的最小值。如果有一种方法可以重现这些结果通常是很好的，所以只需使用多个固定的随机种子即可。

对于第二种情况，你总能仅根据训练数据判断哪个运行是最佳的（尽管它可能实际上不是给你最佳测试准确率的那个！）。因此，如果你有时间，最好进行比如10次运行，然后评估在训练误差（或验证误差）上表现最佳的那个（只是永远不要为了这个决定在测试集上进行评估）。你可以更进一步，进行多次多重运行，并获得标准差。但是，如果你发现这个标准差很重要，这可能意味着你没有尝试足够多的初始化值，或者你没有为你的数据使用正确的模型。