Гайд · TNWS AI
Почему MLPClassifier даёт разные результаты и как зафиксировать random_state
Воспроизводимость MLPClassifier: одинаковый split, random_state, веса, прогнозы и границы того, что фиксированное зерно действительно гарантирует.
Задача и применимость
Актуальный запрос: «почему MLPClassifier каждый раз разный результат random_state». Отделить ожидаемую стохастику от ошибки данных. Для adam random_state управляет инициализацией весов, перемешиванием и внутренним validation split при early stopping. Два estimator с одинаковыми данными, параметрами и random_state в одной программной среде должны давать одинаковые веса и прогнозы. Это не обещает битовую идентичность между любыми версиями библиотек и аппаратными платформами.
Материал относится к scikit-learn 1.8.0 и табличным числовым данным. MLPClassifier — полносвязный многослойный перцептрон для обучения с учителем, а не готовая языковая или vision-модель. Все вычисления ниже выполняются локально на синтетическом наборе make_classification: интернет, ключи API и внешние персональные данные не нужны. Значения метрик в рабочем проекте будут другими, поэтому фиксированные пороги примера являются проверкой кода, а не обещанием качества.
Пошаговое решение
- Зафиксируйте генерацию данных и train/test split.
- Создайте два независимых Pipeline с одинаковым random_state.
- Обучите их на одной выборке в одинаковом порядке.
- Сравните прогнозы и каждую матрицу весов численно.
Готовый проверяемый шаблон
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
X, y = make_classification(
n_samples=500, n_features=8, n_informative=6, n_redundant=0,
class_sep=1.4, random_state=42
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.25, stratify=y, random_state=42
)
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier
def build():
return make_pipeline(StandardScaler(), MLPClassifier(
hidden_layer_sizes=(16,), max_iter=300, random_state=17, tol=1e-4
))
a, b = build(), build()
a.fit(X_train, y_train); b.fit(X_train, y_train)
np.testing.assert_array_equal(a.predict(X_test), b.predict(X_test))
for wa, wb in zip(a[-1].coefs_, b[-1].coefs_):
np.testing.assert_allclose(wa, wb, rtol=0, atol=0)
print(a.score(X_test, y_test))
Вход и ожидаемый результат
Вход — одно и то же разбиение данных. Ожидается полное совпадение классов и весов двух экземпляров в проверенной среде scikit-learn 1.8. Изменение random_state должно рассматриваться как другой эксперимент, а не как повтор предыдущего.
Как проверить результат
Сохраните версии Python, NumPy, SciPy и scikit-learn вместе с seed. Проверяйте не только итоговую accuracy, но и массив predictions. Если порядок строк изменился, одинаковый seed уже не доказывает эквивалентность входа.
Перенос на рабочую нейросеть
Заменяя синтетические данные рабочими, сначала составьте контракт: одна строка соответствует одному объекту, столбцы имеют стабильный порядок и единицы измерения, target формируется без информации из будущего. Категориальные поля кодируются отдельным преобразованием, пропуски обрабатываются до StandardScaler совместимым способом. Объединяйте preprocessing и estimator в Pipeline или ColumnTransformer, чтобы одинаковая логика применялась при fit, validation и predict. Версионируйте список признаков, код подготовки, разбиение и сам estimator как единый выпуск.
Критерии приёмки
- Train, validation и test не пересекаются, а random_state и алгоритм разбиения записаны.
- Preprocessing обучается только на train и входит в сохраняемый Pipeline.
- Форма, dtype и порядок признаков проверяются до predict.
- Метрика считается на независимой выборке и сопровождается support.
- Повторный запуск в закреплённом окружении воспроизводит контрольные predictions.
- Негативный тест с лишним или отсутствующим признаком завершается явной ошибкой, а не молчаливой перестановкой.
Регрессионный протокол
Сохраните маленький обезличенный regression-набор и ожидаемые классы либо вероятности. После изменения параметров сравнивайте не только одну итоговую метрику, но и confusion matrix, время обучения, число итераций и распределение вероятностей. Меняйте один фактор за эксперимент. Гиперпараметры выбирайте на validation или внутри кросс-валидации; test открывайте только для финальной оценки выбранной процедуры. Если обучающих данных мало, публикуйте разброс по нескольким разбиениям, а не лучший результат.
Диагностика расхождений
Если качество резко изменилось, проверяйте по порядку: набор и target, индексы split, порядок столбцов, статистики preprocessing, версии зависимостей, random_state и только затем внутренние параметры нейросети. Убедитесь, что признаки не содержат идентификатор ответа или данные из будущего. При расхождении после загрузки сравните predictions на одном сохранённом массиве, classes_, число входных признаков и параметры scaler. Не лечите неизвестную причину увеличением сети: это усложняет диагностику и часто усиливает переобучение.
Контроль после внедрения
Для эксплуатации добавьте журнал версии модели и схемы входа, но не записывайте в него исходные персональные признаки. До выкладки задайте допустимые границы latency, доли ошибок и целевой метрики. После выкладки сравнивайте распределения признаков и прогнозов с контрольным периодом. Если входная схема изменилась или качество вышло за порог, переключайтесь на предыдущий проверенный артефакт; автоматическое дообучение без независимой оценки не является безопасным исправлением.
Типичные ошибки и чего не делать
- Не фиксируйте только np.random.seed, забывая random_state estimator.
- Не выбирайте лучший seed по тестовой выборке.
- Не называйте воспроизводимостью совпадение одной округлённой метрики.
Не подбирайте архитектуру и пороги по тестовой выборке. Не передавайте в модель персональные или чувствительные поля без правового основания и необходимости. Не считайте высокую метрику на синтетическом примере доказательством готовности к эксплуатации. Для важных решений добавьте человеческую проверку, мониторинг drift и безопасный сценарий отказа.
FAQ
Что контролирует random_state?
Инициализацию весов, перемешивание и некоторые внутренние разбиения.
Гарантирует ли seed одинаковость навсегда?
Нет, версии и вычислительная среда тоже важны.
Можно искать лучший seed?
Это создаёт скрытую подгонку; гиперпараметры выбирают на validation.
Официальные источники
Частые вопросы
Что контролирует random_state?
Инициализацию весов, перемешивание и некоторые внутренние разбиения.
Гарантирует ли seed одинаковость навсегда?
Нет, версии и вычислительная среда тоже важны.
Можно искать лучший seed?
Это создаёт скрытую подгонку; гиперпараметры выбирают на validation.
Читайте также
Как обучать MLPClassifier пакетами через partial_fit
Потоковое обучение MLPClassifier мини-пакетами: первый classes, Incremental StandardScaler, несколько эпох, контроль n_iter_ и accuracy.
Как обучить MLPClassifier со StandardScaler без утечки данных
Проверяемый Pipeline из StandardScaler и MLPClassifier: раздельная выборка, обучение scaler только на train, accuracy и защита от утечки.
Как оценить MLPClassifier через classification report и confusion matrix
Оценка нейросети не одной accuracy: classification_report как dict, confusion_matrix, support, macro F1 и точные критерии проверки.
Комментарии
Пока тихо. Скажите первое слово