我正在训练随机森林模型，并使用一致的random_state值。我在培训，测试和验证数据集中也获得了非常好的准确性（所有数据都在〜.98左右）。尽管少数派仅占数据集的约10％。
如果您有兴趣的话，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])
鉴于在训练，验证和测试数据集上的良好准确性得分，random_state是否会影响模型的泛化？
答案 0 :(得分：1)
random_state：int，RandomState实例或无，可选（默认=无）
如果为int，则random_state是随机数生成器使用的种子；否则为false。如果是RandomState实例，则random_state是随机数生成器；如果为None，则随机数生成器是np.random使用的RandomState实例。
通常，random_state最初用于设置内部参数，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，树的数量）以比较结果。
一个缺点是您找不到全局最优值。但是您的结果听起来确实不错，准确度为0.98。
答案 1 :(得分：1)
random_state不会影响模型的概括。实际上，在调整random_state，n_estimators等超级参数时，最好的做法是使depth具有相同的值。这将确保您的性能不受以下因素的影响随机的初始状态。
此外，当您拥有诸如不平衡数据集之类的数据时，也不建议使用“准确性”来衡量模型的性能。
ROC或PR曲线下的面积可能是您可以使用的少数几个最好的东西之一，但是有很多可用的指标。参见here
答案 2 :(得分：1)
在最优性的几个方面，甚至对于简单的概念，学习最优决策树的问题都是NP完全的。因此，实用的决策树学习算法基于启发式算法（例如贪婪算法），其中在每个节点上做出局部最优决策。这样的算法不能保证返回全局最优决策树。可以通过在整体学习器中训练多棵树来缓解这种情况，在该学习器中，特征和样本通过替换随机抽样。
random_state用于子特征的随机选择，小于总特征和子样本。此参数控制随机选择。