[Dúvida] Seed do sklearn não está funcionando

import pandas as pd from sklearn.svm import LinearSVC from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score uri = "https://gist.githubusercontent.com/guilhermesilveira/1b7d5475863c15f484ac495bd70975cf/raw/16aff7a0aee67e7c100a2a48b676a2d2d142f646/projects.csv" dados = pd.read_csv(uri) dados.head() a_renomear = { 'expected_hours':'horas_esperadas', 'price' : 'preco', 'unfinished' : 'nao_finalizado' } dados = dados.rename(columns = a_renomear) troca = { 0:1, 1:0 } dados['finalizado'] = dados.nao_finalizado.map(troca) SEED = 2 x = dados[['horas_esperadas','preco']] y = dados['finalizado'] treino_x, teste_x, treino_y, teste_y = train_test_split(x, y,random_state = SEED, test_size = 0.25,stratify = y) model = LinearSVC() model.fit(treino_x,treino_y) predict = model.predict(teste_x) acuracia = accuracy_score(teste_y,predict) * 100 print("Acuracia foi de %.2f%%" % acuracia)

Olá, João, tudo bem?

O que está acontecendo é que o modelo LinearSVC() pode encontrar diferentes resultados durante o processo de treinamento, mesmo quando os dados de entrada e o código são os mesmos.

Para garantir a consistência dos resultados e tornar seu código mais previsível, você pode utilizar o parâmetro "random_state" ao criar o modelo LinearSVC(), como demonstrado abaixo:

model = LinearSVC(random_state = SEED)

Isso fará com que o modelo seja inicializado com uma semente aleatória fixa (SEED), o que resultará em resultados consistentes sempre que você executar o código.

Lembre-se de que a aleatoriedade desempenha um papel importante em muitos algoritmos de machine learning, mas ao definir um "random_state", você controla essa aleatoriedade para fins de consistência.

Espero ter ajudado.

Abraços e bons estudos!

Caso este post tenha lhe ajudado, por favor, marcar como solucionado ✓. Bons Estudos!