每次我用sciki进行线性回归得到不同的结果

Question

嗨，我有一个线性回归模型，我正在努力优化。我正在优化指数移动平均值的跨度和我在回归中使用的滞后变量的数量。在

然而，我不断发现，结果和计算的mse不断得到不同的最终结果。不知道为什么有人能帮忙？在

启动循环后的过程： 1用三个变量创建新的数据帧 2删除零值 三。为每个变量创建ewma 4为每个变量创建滞后 5放下NA 6创建X，y 7回归和保存均线跨度和滞后数，如果更好的MSE 8用下一个值开始循环

我知道这可能是一个交叉验证的问题，但由于它可能是一个程序性的问题，我在这里发布了：

bestema = 0
bestlag = 0
mse = 1000000

for e in range(2, 30):
    for lags in range(1, 20):
        df2 = df[['diffbn','diffbl','diffbz']]
        df2 = df2[(df2 != 0).all(1)]        
        df2['emabn'] = pd.ewma(df2.diffbn, span=e)
        df2['emabl'] = pd.ewma(df2.diffbl, span=e)
        df2['emabz'] = pd.ewma(df2.diffbz, span=e)
        for i in range(0,lags):
            df2["lagbn%s" % str(i+1)] = df2["emabn"].shift(i+1)
            df2["lagbz%s" % str(i+1)] = df2["emabz"].shift(i+1)
            df2["lagbl%s" % str(i+1)] = df2["emabl"].shift(i+1)
        df2 = df2.dropna()
        b = list(df2)
            #print(a)
        b.remove('diffbl')
        b.remove('emabn')
        b.remove('emabz')
        b.remove('emabl')
        b.remove('diffbn')
        b.remove('diffbz')
        X = df2[b]
        y = df2["diffbl"]
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
        #print(X_train.shape)
        regr = linear_model.LinearRegression()
        regr.fit(X_train, y_train)
        if(mean_squared_error(y_test,regr.predict(X_test)) < mse):
            mse = mean_squared_error(y_test,regr.predict(X_test) ** 2)
            #mse = mean_squared_error(y_test,regr.predict(X_test))
            bestema = e
            bestlag = lags
            print(regr.coef_)
            print(bestema)
            print(bestlag)
            print(mse)

Answer 1

sklearn的train_test_split函数（参见文档：http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.train_test_split.html）是随机的，因此每次得到不同的结果是合乎逻辑的。
您可以将参数传递给random_state关键字，以便每次都有相同的参数。在