numpy 尽管种子数固定，但TSF在不同的计算机上给出不同的结果

bmp9r5qi 于 2022-11-23 发布在其他

关注(0)|答案(1)|浏览(107)

我有一个时间序列预测应用程序，其中的算法可以从2个选项中选择：

sklearn线性回归
统计模型ARIMA与SARIMAX（基于数据的季节性）

初始化类对象并调用fit函数时，没有属性来设置seed，因此我将NumPy随机seed设置为固定seed：np.random.seed(123)
此种子在应用程序的第一个入口点中全局设置。
问题是预测的结果在不同的机器之间是不同的，尽管我们在依赖于Pipfile的Docker Image中运行，所以所有的依赖项都有相同的版本+python版本也是相同的（3.9）：

numpy = "==1.22.3"
scikit-learn = "==1.1.1"
statsmodels = "==0.13.2"
scipy = "==1.9.3"

预测值的差异对于我们应用这两种算法也很重要。
| 本地Windows 10| Azure |
| - -|- -|
| 小行星8499|小行星12693|
| 小行星140277|小行星41278|
有人能支持吗？

更新代码片段+示例可在此处找到：

第一次

numpy

来源：https://stackoverflow.com/questions/74474991/tsf-gives-different-results-on-different-machines-despite-fixed-numpy-seed

1条答案

按热度按时间

t2a7ltrp1#

感谢@NickODell的评论，问题已解决，如下所示：

ARIMA/SARIMAX模型
对于ARIMA/SARIMAX模型，应使用特定种子定义随机状态，然后将其传递给pm.auto_arima函数。原因是pm.auto_arima使用train_test_split函数（通常使用种子）来查找最佳模型。

random_state = np.random.RandomState(123)
smodel = pm.auto_arima(
        df_historical.value,
        start_p=1,
        start_q=1,
        test="adf",
        max_p=3,
        max_q=3,
        m=12,
        start_P=0,
        seasonal=True,
        d=None,
        D=1,
        trace=True,
        error_action="ignore",
        suppress_warnings=True,
        stepwise=True,
        random_state=random_state
    )

mod = SARIMAX(
        historical_data,
        order=smodel.order,
        seasonal_order=smodel.seasonal_order,
        enforce_stationarity=False,
        enforce_invertibility=False
    )
best_model = mod.fit(disp=0)

1.线性回归
对于线性回归，通过停用截距拟合来解决该问题，因为它包含许多平均和移位计算，并且这导致不同操作系统之间的预测值中的一些差异。

regr = LinearRegression(fit_intercept=False)
regr.fit(x, y)

赞(0）回复(0）举报 2022-11-23

我来回答

numpy 尽管种子数固定，但TSF在不同的计算机上给出不同的结果

1条答案

相关问题

热门标签

最新问答