我百思不得其解有關(guān)的權(quán)利的方式來使用np.random.RandomState與sklearn.model_selection.RandomizedSearchCV在多個內(nèi)核上運行時。我RandomState用來生成偽隨機數(shù)，以便我的結(jié)果是可重復的。我給出RandomizedSearchCV了一個RandomState和 set的實例，n_jobs=-1以便它使用所有六個內(nèi)核。在多核上運行會引入異步元素。我預計這會導致在不同的運行中以不同的順序發(fā)出來自不同內(nèi)核的偽隨機數(shù)請求。因此，不同的運行應該給出不同的結(jié)果，而不是顯示可重復性。但事實上，結(jié)果是可重復的。對于給定的值n_iter（即從參數(shù)空間中抽取的次數(shù)），找到的最佳超參數(shù)值從一次運行到下一次運行是相同的。如果n_jobs是小于核心數(shù)的正數(shù)，我也會得到相同的值。具體來說，這里是代碼：import numpy as npimport scipy.stats as statsfrom sklearn.datasets import load_irisfrom sklearn.ensemble import GradientBoostingClassifierfrom sklearn.model_selection import RandomizedSearchCV, StratifiedKFold, train_test_split# Use RandomState for reproducibility.random_state = np.random.RandomState(42)# Get data. Split it into training and test sets.iris = load_iris()X, y = iris.data, iris.targetX_train, X_test, y_train, y_test = train_test_split(    X, y, test_size=0.4, random_state=random_state, stratify=y)我有幾個問題。盡管存在異步方面，為什么我仍能獲得可重現(xiàn)的結(jié)果？的文檔RandomizedSearchCV說明了該random_state參數(shù)：“偽隨機數(shù)生成器狀態(tài)用于從可能值列表而不是 scipy.stats 分布中隨機均勻采樣?！?這是否意味著它不會影響參數(shù)空間中的分布？上面的代碼是否足以確保可重復性，或者我是否需要設(shè)置np.random.seed()，或者編寫如下內(nèi)容：distn_learning_rate = stats.uniform(0.05, 0.2)  distn_learning_rate.random_state = random_state  distn_subsample = stats.uniform(0.8, 0.2)  distn_subsample.random_state = random_state  param_space = {'learning_rate': distn_learning_rate,                 'n_estimators': [50, 100, 200],                 'subsample': distn_subsample}  總的來說，這是設(shè)置RandomizedSearchCV再現(xiàn)性的正確方法嗎？使用的單個實例RandomState確定，或者我應該使用單獨的實例為train_test_split，GradientBoostingClassifier，StratifiedKFold，和RandomizedSearchCV？此外，文檔np.random.seed說種子是在RandomState初始化時設(shè)置的。這如何與RandomizedSearchCV設(shè)置種子相互作用？當n_jobs設(shè)置為使用少于所有內(nèi)核時，我仍然看到所有內(nèi)核上的活動，盡管每個內(nèi)核的使用水平會隨著內(nèi)核數(shù)量的增加而增加并且經(jīng)過的時間會減少。這只是 sklearn 和/或 macOS 優(yōu)化機器使用嗎？