本文详解如何修正嵌套逻辑错误，将生成随机数的循环与后续机器学习模型训练、评估流程正确合并，确保每个随机种子都独立参与完整的训练-测试流程并输出对应的r²分数。
本文详解如何修正嵌套逻辑错误，将生成随机数的循环与后续机器学习模型训练、评估流程正确合并，确保每个随机种子都独立参与完整的训练-测试流程并输出对应的r²分数。
您遇到的问题本质是代码缩进导致的作用域错误：第一个 for 循环仅执行了 randint() 和 print() 两行，而后续所有模型构建、训练、预测与 R² 计算逻辑未被包含在该循环内，因此只对最后一次迭代生成的 value（即 35）运行了一次。
要实现“为每一个生成的随机数都完整执行一次建模与评估”，必须将整个建模流程整体缩进，使其成为外层循环的主体。以下是修正后的专业写法：
✅ 正确结构：单循环统一流程
from random import seed, randint
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor, RandomForestRegressor
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.ensemble import StackingRegressor
from sklearn.metrics import r2_score as sklearn_r2 # 推荐使用内置函数
# 设置全局种子（保证可复现性）
seed(4)
# 存储每次运行的结果，便于后续分析
results = []
print("Generated seeds:", end=" ")
for i in range(20):
n = randint(0, 100)
print(n, end=", " if i < 19 else "\n")
# --- 每个种子独立执行完整流程 ---
X_train, X_test, y_train, y_test = train_test_split(
df3_X1, df3_Y1, test_size=0.25, random_state=n
)
# 定义基学习器（注意：StandardScaler 应作用于训练数据，且需在 pipeline 中自动适配）
estimators = [
('svr', make_pipeline(StandardScaler(), SVR(kernel='rbf', C=0.6))),
('gb', GradientBoostingRegressor(random_state=n)) # 建议也设为 n，增强一致性
]
# 堆叠模型（final_estimator 同样建议固定或随 n 变化）
stack = StackingRegressor(
estimators=estimators,
final_estimator=RandomForestRegressor(n_estimators=100, random_state=n)
)
# 训练与预测
Final_model = stack.fit(X_train, y_train)
predictions = Final_model.predict(X_test)
# 手动计算 R²（或直接调用 sklearn）
y_bar = y_test.mean()
ss_tot = ((y_test - y_bar) ** 2).sum()
ss_res = ((y_test - predictions) ** 2).sum()
r2_manual = 1 - (ss_res / ss_tot) if ss_tot != 0 else float('nan')
# ✅ 更推荐：使用 sklearn 内置函数（自动处理边界情况）
r2_builtin = sklearn_r2(y_test, predictions)
print(f"Seed {n}: R² = {r2_builtin:.4f}")
results.append((n, r2_builtin))
print("\nThe for loop is complete!")⚠️ 关键注意事项：
- 缩进即逻辑归属：Python 依赖缩进来定义代码块范围。所有需重复执行的语句（包括数据划分、建模、评估）必须与 for 语句保持相同缩进层级。
- random_state 的一致性：建议将 GradientBoostingRegressor 和 RandomForestRegressor 的 random_state 也设为当前 n，确保每次实验完全独立可复现；若固定为 0，则不同种子下模型内部随机性不变化，削弱多种子实验意义。
- 避免手动计算 R²：sklearn.metrics.r2_score 已健壮处理 ss_tot == 0 等边界情况，推荐直接调用，减少出错风险。
- 结果收集：使用 results 列表保存 (seed, r2) 元组，便于后续统计（如取平均、找最优种子）或可视化。
? 总结
您原代码的问题并非“两个循环无法合并”，而是第二个逻辑块未被纳入第一个循环体。通过统一缩进，即可自然实现“生成一个种子 → 执行一次完整建模评估 → 输出结果”的原子化流程。这种结构清晰、易于调试，也是超参数敏感性分析或随机种子鲁棒性验证的标准实践方式。
