我遇到了一个非常奇怪的情况。

我正在尝试使用sklearn中的SVM进行二分类任务。以下是我的代码：

  scaler = StandardScaler()  x_train = scaler.fit_transform(x_train)  x_test = scaler.transform(x_test)  svc = SVC(kernel='rbf', class_weight='balanced', gamma='auto',probability=True)    c_range = np.logspace(-5, 15, 11, base=2)  gamma_range = np.logspace(-9, 3, 13, base=2)  param_grid = [{'kernel': ['rbf'], 'C': c_range, 'gamma': gamma_range}]  grid = GridSearchCV(svc, param_grid, cv=5, n_jobs=-1)  clf = grid.fit(x_train, y_train)  predictions = grid.predict(x_test)

如您所见，这是一个非常简单的模型，其中x_train是训练数据的输入，x_test是测试数据的输入，y_train是训练数据的标签。

我的问题是，既然我没有设置任何种子，为什么这段代码总是能重现相同的结果？在我的理解中，模型中应该存在随机性，至少应该有几种不同的结果。

让我更清楚地说明一下，我并不是在抱怨我的模型总是对所有测试数据预测相同的类别。我是在抱怨即使我设置了不同的种子，我的模型仍然产生一致的结果。

例如，假设我有3个测试数据。当我将种子设置为1或2或其他值时，测试数据的预测总是[1,0,1]。

我尝试过设置不同的种子，改变模型中的random_state，但都没有效果。我的训练数据非常小，只有几百个。测试数据较大，有数千个数据。

回答：

下面的代码将为SVC中的不同random_state值返回不同的类概率。事实上，在不同运行中预测的类别相同，仅仅意味着数据点所属的类别没有太多的模糊性。换句话说，如果你的数据点看起来像这个，它们很容易分离，不同种子的模型会为相同的点分配相同的类别。

在实践中，如果第一个模型为某个数据点分配的概率例如{A: 0.942, B: 0.042, C: 0.016}，而另一个具有不同种子的模型分配的概率是{A: 0.917, B: 0.048, C: 0.035}，那么这两个模型都会为这个点预测相同的类别A。

另外，大部分数据应该用于训练，而不是测试。