必然中的偶然：机器学习中的随机数 华泰人工智能系列之二十
创建于 更新于
摘要
本报告系统分析了机器学习选股模型中随机数的来源及其对模型表现的影响。通过对逻辑回归、XGBoost、随机森林和全连接神经网络四种算法在100组不同随机数种子下测试，发现逻辑回归表现最稳定，神经网络最不稳定，而XGBoost和随机森林介于两者之间。图表15、16清晰显示不同模型在准确率和AUC上的分布差异，揭示了随机数对模型性能的实质影响，提示投资者应关注随机数种子带来的结果不确定性并进行多种种子检验[pidx::0,pidx::15,pidx::21]
