¿Qué significa realmente el valor semilla en el algoritmo de aprendizaje automático?

Cuando una computadora genera un número aleatorio, no es realmente ‘aleatorio’ y en realidad es pseudoaleatorio. Podemos pensar en la semilla como un parámetro que determina la secuencia de números pseudoaleatorios generados.

Para algunos algoritmos de ML, por ejemplo, k-means clustering (que solo se garantiza que converja a óptimos locales), el resultado del clustering dependerá de la inicialización elegida y, por lo tanto, dependerá de la semilla.

Al arreglar la semilla, se asegura de que los números ‘aleatorios’ generados en su algoritmo de ML sean exactamente los mismos, cada vez que se ejecuta. Esto significa que sus experimentos / resultados serán exactamente reproducibles por usted y por otros.

Semilla en aprendizaje automático significa estado de intilización de un generador de números pseudoaleatorios. Si usa la misma semilla, obtendrá exactamente el mismo patrón de números.

Esto significa que si está haciendo una división de prueba de tren, generando una matriz numpy a partir de alguna distribución aleatoria o incluso ajustando un modelo ML, establecer una semilla le dará el mismo conjunto de resultados una y otra vez.

Al menos en R, los valores iniciales inicializan la aleatorización. Guardar este valor o establecerlo en el mismo número cada vez garantiza que el algoritmo obtendrá los mismos resultados (idénticos en cada ejecución).

El valor de semilla se establece para garantizar la reproducibilidad del resultado que un individuo habría obtenido al ejecutar el Algoritmo ML. Es como dar una herramienta a la audiencia para verificar sus resultados.