Различные результаты из образца () даже устанавливают семя [дубликат]

Вы должны установить семя каждый раз, когда хотите получить воспроизводимый случайный результат.

set.seed(1)
rnorm(4)
set.seed(1)
rnorm(4)

Фиксация семени имеет важное значение, когда мы пытаемся оптимизировать функцию, которая включает произвольно сгенерированные числа (например, при оценке на основе моделирования). Говоря кратко, если мы не зафиксируем семя, изменение из-за рисования разных случайных чисел, скорее всего, приведет к сбою алгоритма оптимизации.

Предположим, что по какой-либо причине вы хотите оценить стандартное отклонение ( sd) среднего нулевого нормального распределения путем моделирования, с учетом выборки. Это может быть достигнуто путем выполнения численной оптимизации вокруг этапов

1. (Установка семени)
2. Учитывая значение для sd, генерирует нормально распределенные данные
3. Оцените вероятность ваших данных при моделируемых дистрибутивах

Следующие функции делают это один раз без шага 1. один раз включив его:

# without fixing the seed
simllh <- function(sd,y,Ns){
  simdist <- density(rnorm(Ns,mean=0,sd=sd))
  llh <- sapply(y,function(x){simdist$y[which.min((x-simdist$x)^2)]})
  return(-sum(log(llh)))
}
# same function with fixed seed
simllh.fix.seed <- function(sd,y,Ns){
  set.seed(48)
  simdist <- density(rnorm(Ns,mean=0,sd=sd))
  llh <- sapply(y,function(x){simdist$y[which.min((x-simdist$x)^2)]})
  return(-sum(log(llh)))
}

Мы можем проверить относительная производительность двух функций при обнаружении истинного значения параметра с коротким исследованием Монте-Карло:

N <- 20; sd <- 2 # features of simulated data
est1 <- rep(NA,1000); est2 <- rep(NA,1000) # initialize the estimate stores
for(i in 1:1000){
  as.numeric(Sys.time())-> t; set.seed((t - floor(t)) * 1e8 -> seed) # set the seed to random seed
  y <- rnorm(N,sd=sd) # generate the data
  est1[i] <- optim(1,simllh,y=y,Ns=1000,lower=0.01)$par
  est2[i] <- optim(1,simllh.fix.seed,y=y,Ns=1000,lower=0.01)$par
}
hist(est1)
hist(est2)

Результирующие распределения оценок параметров:

• Гистограмма оценок параметров без фиксации затравки
• Гистограмма оценок параметров, фиксирующих затравку

Когда мы фиксируем семена, числовой поиск заканчивается ближе к истинному значению параметра 2 намного чаще.

Просто добавьте некоторые дополнительные аспекты. Необходимость установки семени: в академическом мире, если кто-то утверждает, что его алгоритм достигает, скажем, 98,05% производительности в одном симуляции, другие должны иметь возможность воспроизвести его.

?set.seed

Прохождение файла справки этой функции, это некоторые интересные факты:

(1) set.seed () возвращает NULL, invisible

(2) «Первоначально нет семени; новый из них создается из текущего времени и идентификатора процесса, когда требуется, поэтому разные сеансы будут давать разные результаты моделирования по умолчанию. Однако семя может быть восстановлено с предыдущего сеанса, если восстановлено ранее сохраненное рабочее пространство ». , поэтому вам нужно будет вызвать set.seed () с одинаковыми целыми значениями в следующий раз, когда вы захотите получить одну и ту же последовательность случайной последовательности.

в основном set.seed () поможет повторно использовать один и тот же набор случайных величин, которые нам понадобятся в будущем, чтобы снова оценить конкретную задачу снова с помощью тех же случайных varibales

, нам просто нужно объявить это перед использованием любой функции генерации случайных чисел.