AI实验平台的划分记录，别只留一个random_state数字

两个同事在人工智能实验平台上运行相同模型，结果不同，排查时先问“随机种子是不是一样”很常见。但只保存一个random_state数字，仍不足以说明两次实验使用了同一批数据、相同输入次序和相同划分设置。先把数据划分记录完整，后面的结果比较才有清楚的起点。

先读清参数的类型

scikit-learn的train_test_split文档说明，test_size使用小数时表示测试集比例，使用整数时表示样本数量；random_state可影响划分前的随机打乱，传入整数可用于多次调用的可复现输出。[1] 这些说明都有具体输入和参数背景，不能简化成“只要种子相同，任何两次实验都一样”。

在记录卡上写出输入身份

可以把一次实验的输入写成数据版本、样本标识清单、排序方式和读取时间。若数据经过筛选，再记下筛选条件及筛选后数量。这是本文提出的记录方法，并非该函数要求的文件格式。目的在于后来比较结果时，能够先回答“究竟分的是哪一批样本”。

下面是自拟例子：某个教学练习有100条编号记录，希望留20条测试样本。记录卡可以同时写下“计划测试数量20”和所用参数值及类型，并保存实际分配到两组的编号。这里的数字仅用于说明记录方式，不是任何真实数据集的推荐比例，也不是模型表现证据。

比例相同仍要检查样本是否相同

若下次练习增加了新记录，或者读入顺序改变，就不能只看表格里仍写着同一个比例和随机种子，便宣布划分完全一致。应核对实际输入与输出标识。记录实际样本归属还方便排查某条记录为何出现在测试集中，而不必从一份已经变化的数据文件重新猜测。

把其他开关一并保留

该文档还列出shuffle与stratify，并明确shuffle为False时stratify必须为None。[1] 实验记录可以保留这些参数的实际值以及采用原因。如果团队处理时间顺序、重复主体或其他有特殊关系的数据，应另行研究适合的评估设计，不能把一次随机划分当成通用方案。本文不为具体业务选择划分策略。

结果表与划分表通过版本关联

模型得分放在结果表，数据划分过程放在输入记录，两者使用同一实验编号关联。修改数据、参数或评估过程后，产生新的版本记录，不覆盖旧结果的依据。这样，当得分变化时，团队至少能先辨认变化来自哪里，再讨论模型是否真的进步。

参考来源：[1] scikit-learn，train_test_split API文档，2026年10月7日查阅，页面标示1.9.1。本文未运行模型或报告准确率；教学数字和记录卡为独立示例，实际项目应核对所安装版本。