Random 是否在sklearn'；中设置随机状态；你的模型是什么？

我训练了一个随机森林模型，并使用了一致的

random\u state

值。在我的训练、测试和验证数据集中，我也获得了非常好的准确度（都在0.98左右）。尽管少数群体只占数据集的约10%

如果您感兴趣，这里有一些代码：

model = RandomForestClassifier(n_jobs=-1, oob_score=True, random_state=310, n_estimators=300)
model.fit(subset, train.iloc[:,-1])

考虑到训练、验证和测试数据集的良好准确性分数，

random_state

是否会影响我的模型的泛化

随机_状态：int，随机状态实例或无，可选（默认值=无）

如果int，则random_state是随机数生成器使用的种子；如果为RandomState实例，则random_state为随机数生成器；如果没有，则随机数生成器是np.random使用的RandomState实例

通常，

random_state

用于初始设置内部参数，因此您可以确定地重复训练。现在，您可以更改其他超参数（例如，树数）以比较结果

---

一个缺点可能是你没有找到全局最优。但是您的结果听起来非常好，精确度为

0.98

随机状态

不会影响模型的泛化。事实上，当您调整超参数（如

n\u估计器

，

深度

等）时，最佳做法是对

随机状态

具有相同的值。这将确保您的性能不受随机初始状态的影响

此外，当您有不平衡的数据集时，精度不是衡量模型性能的推荐指标

ROC或PR曲线下的面积可能是您可以使用的为数不多的最好的东西之一，但有很多可用的指标。看

学习最优决策树的问题在几个最优性方面甚至对于简单的概念都是NP完全的。因此，实际的决策树学习算法基于启发式算法，例如贪婪算法，在每个节点上做出局部最优决策。这种算法不能保证返回全局最优决策树。这可以通过在集成学习器中训练多棵树来缓解，其中特征和样本通过替换随机抽样

---

随机_状态用于随机选择小于总特征的子特征和子样本。此参数控制随机选择。

谢谢！这正是我想要的。关于准确性——我实际上使用了混淆矩阵来衡量内部指标，但这是一个很好的观点。