我百思不得其解有關的權利的方式來使用np.random.RandomState與sklearn.model_selection.RandomizedSearchCV在多個內核上運行時。我RandomState用來生成偽隨機數，以便我的結果是可重復的。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出來自不同內核的偽隨機數請求。因此，不同的運行應該給出不同的結果，而不是顯示可重復性。但事實上，結果是可重復的。對于給定的值n_iter（即從參數空間中抽取的次數），找到的最佳超參數值從一次運行到下一次運行是相同的。如果n_jobs是小于核心數的正數，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的結果？的文檔RandomizedSearchCV說明了該random_state參數：“偽隨機數生成器狀態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空間中的分布？上面的代碼是否足以確?？芍貜托裕蛘呶沂欠裥枰O置np.random.seed()，或者編寫如下內容：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，這是設置RandomizedSearchCV再現性的正確方法嗎？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初始化時設置的。這如何與RandomizedSearchCV設置種子相互作用？當n_jobs設置為使用少于所有內核時，我仍然看到所有內核上的活動，盡管每個內核的使用水平會隨著內核數量的增加而增加并且經過的時間會減少。這只是 sklearn 和/或 macOS 優化機器使用嗎？