Изменение случайного значения состояния меняет точность модели. ⇐ Python

[Anonymous]

При тестировании моей модели линейной регрессии я обнаружил, что изменение параметра random_state в train_test_split меняет точность модели.

Чтобы уточнить, мое разделение на тест поезда выглядит следующим образом:

Код: Выделить всё

boston_data = load_boston()
X = pd.DataFrame(boston_data.data, columns=boston_data.feature_names)
y = pd.DataFrame(boston_data.target, columns=['MEDV'])

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

И моя модель следующая:

Код: Выделить всё

steps = [
('regr', Lasso())
]
pipeline = Pipeline(steps)

parameters = {
'regr__alpha': np.logspace(-4, -0.5, 40)
}

grid = GridSearchCV(pipeline, param_grid=parameters, cv=10, n_jobs=-1)
grid.fit(X_train, y_train)
grid.score(X_test, y_test)

Теперь, например, для текущего сценария (где random_state = 42) оценка теста равна 0,725. Однако, если я изменю его на 43, оценка теста снизится до 0,7.

Я понимаю, что случайное_состояние означает, какой набор данных будет тестироваться, и обучающий набор. Сказав это, я хочу знать, есть ли способ получить стабильный результат?

Спасибо!

Подробнее здесь: https://stackoverflow.com/questions/495 ... l-accuracy