Razones para utilizar la función set.seed

Muchas veces he visto la set.seedfunción en R, antes de iniciar el programa. Sé que se usa básicamente para la generación de números aleatorios. ¿Existe alguna necesidad específica de configurar esto?

La necesidad es el posible deseo de obtener resultados reproducibles, que pueden provenir, por ejemplo, de intentar depurar su programa o, por supuesto, de intentar rehacer lo que hace:

Estos dos resultados "nunca" los reproduciremos, ya que pedí algo "aleatorio":

R> sample(LETTERS, 5)
[1] "K" "N" "R" "Z" "G"
R> sample(LETTERS, 5)
[1] "L" "P" "J" "E" "D"

Estos dos, sin embargo, son idénticos porque puse la semilla :

R> set.seed(42); sample(LETTERS, 5)
[1] "X" "Z" "G" "T" "O"
R> set.seed(42); sample(LETTERS, 5)
[1] "X" "Z" "G" "T" "O"
R> 

Existe una vasta literatura sobre todo eso; Wikipedia es un buen comienzo. En esencia, estos RNG se denominan Pseudo Generadores de números aleatorios porque de hecho son completamente algorítmicos : dada la misma semilla, se obtiene la misma secuencia. Y esa es una característica y no un error.

Debe establecer semillas cada vez que desee obtener un resultado aleatorio reproducible.

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

Solo agrego algunos aspectos adicionales. Necesidad de sembrar la semilla: en el mundo académico, si uno afirma que su algoritmo logra, digamos, un rendimiento del 98,05% en una simulación, otros necesitan poder reproducirlo.

?set.seed

Pasando por el archivo de ayuda de esta función, estos son algunos datos interesantes:

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

(2) "Inicialmente, no hay semilla; se crea una nueva a partir del tiempo actual y el ID del proceso cuando se requiere una. Por lo tanto, diferentes sesiones darán resultados de simulación diferentes, de forma predeterminada. sesión anterior si se restaura un espacio de trabajo previamente guardado. ", por eso querrá llamar a set.seed () con los mismos valores enteros la próxima vez que desee una misma secuencia de secuencia aleatoria.

Arreglar la semilla es esencial cuando intentamos optimizar una función que involucra números generados aleatoriamente (por ejemplo, en una estimación basada en simulación). Hablando libremente, si no arreglamos la semilla, la variación debida al dibujo de diferentes números aleatorios probablemente hará que el algoritmo de optimización falle.

Suponga que, por alguna razón, desea estimar la desviación estándar (sd) de una distribución normal media cero mediante simulación, dada una muestra. Esto se puede lograr ejecutando una optimización numérica alrededor de los pasos

1. (Sembrando la semilla)
2. Dado un valor para sd, generar datos distribuidos normalmente
3. Evalúe la probabilidad de sus datos dadas las distribuciones simuladas

Las siguientes funciones hacen esto, una vez sin el paso 1., una vez incluido:

# 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)))
}

Podemos verificar el desempeño relativo de las dos funciones al descubrir el verdadero valor del parámetro con un breve estudio de Monte Carlo:

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)

Las distribuciones resultantes de las estimaciones de los parámetros son:

Cuando arreglamos la semilla, la búsqueda numérica termina cerca del valor verdadero del parámetro 2 con mucha más frecuencia.

Básicamente, la función set.seed () ayudará a reutilizar el mismo conjunto de variables aleatorias, que es posible que necesitemos en el futuro para evaluar nuevamente una tarea en particular con las mismas variables aleatorias

solo necesitamos declararlo antes de usar cualquier función generadora de números aleatorios.