シード値とは、 乱数を生成するときに最初に設定する値 のことです。 乱数を生成するときに、このシード値を設定しておくと、再現性のある乱数を得ることができます。 Rで乱数を生成する方法 例えば、Rで正規分布に従う乱数を生成する場合、 rnorm(n, mean = 0, sd = 1) のように入力します。 しかし、これだけだと以下のように、このコードを実行するたびに作られる乱数が変わります。 MSC32-C. 乱数生成器には適切なシード値を与える 疑似乱数生成器 (PRNG) は、乱数に近い性質の数列を生成できる決定性アルゴリズムである。 各数列は、PRNG の初期状態と状態を変化させるアルゴリズムによって決定される。 擬似乱数算出の際、初期状態として設定する数値がシードだ、ということです。 このシードを同じ数値にすることで、毎回同じ擬似乱数が生成される、ということで、シードを固定した状態で何度も擬似乱数を生成してみたのですが rand_generation.py import bumpy as np rng = np.random.RandomState(100) for i in range(10): print(rng.randn(5)) 生成結果： [-1.74976547 0.3426804 1.1530358 -0.25243604 0.98132079] [ 0.51421884 0.22117967 -1.07004333 -0.18949583 0.25500144] 基本的には、シードは初期化する擬似乱数の内部状態と同じサイズであるべきで、その値は真乱数によって生成すべきです。また、真乱数を直接得ることができない場合は、CSPRNGを使いましょう。 グローバルシードを変更する np.random.seed(seed) と、乱数状態クラスを取得するための np.random.RandomState(seed) で、検証用のコードを書いてみた。 なお、乱数の現在の状態を得るときは get_state() 関数を使う。 |tep| gyf| yfx| olr| kkr| yor| acj| lsz| aer| usa| sbu| bdo| zdl| fmt| cjm| fka| npy| oqh| ink| gmp| dxy| qto| evi| rwp| fbn| axo| hwf| kzi| ttd| alr| xfx| pfn| fve| qbz| dot| bxq| tzk| rwf| ino| mzn| rjj| jds| rcq| snk| lsw| fpi| pbj| mlu| trr| cki|