根本原因是随机性未锁死，train_test_split和RandomForestClassifier等各环节必须显式设置random_state，否则数据划分、模型训练及交叉验证结果均不可复现。
根本原因不是模型“坏了”，而是随机性没锁死——train_test_split 和 RandomForestClassifier 两个环节都默认开启随机，只要漏掉一个，结果就漂。
train_test_split 不设 random_state 就等于重跑一次换一套测试集
同一段代码跑三次，y_test 的类别分布可能完全不同：某次测试集缺少数类样本，准确率直接失真。这不是模型泛化差，是评估本身不可靠。
- 必须显式传参：
train_test_split(X, y, test_size=0.2, random_state=42) - 验证是否生效：运行两次，对比
np.bincount(y_test)输出是否一致 - 小数据集（总样本＜500）尤其要加
stratify=y，否则单次划分容易导致测试集某类为 0
RandomForestClassifier 的 random_state 必须单独设，且不能只靠全局 numpy 种子
即使你用 np.random.seed(42)，sklearn 内部仍会创建独立的 RandomState 实例；不显式传 random_state 参数，每棵树的自助采样（bagging）和特征子集选择仍会随机。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 正确写法：
RandomForestClassifier(n_estimators=100, random_state=42) - 注意：该参数控制的是树的构建过程，和
train_test_split的种子无关，两者必须各自固定 - 如果用了
oob_score=True，OOB 估计也会随random_state变化，不固定就无法复现
交叉验证时 random_state 容易被忽略的坑
用 cross_val_score 或 GridSearchCV 时，很多人只设了模型的 random_state，却忘了 CV 拆分器本身也有随机性。
-
cross_val_score(model, X, y, cv=5)默认用StratifiedKFold，但没设random_state时每次拆分不同 - 应写成：
cross_val_score(model, X, y, cv=StratifiedKFold(n_splits=5, shuffle=True, random_state=42)) -
GridSearchCV同理，需传cv=...而非仅依赖默认值
真正难控的不是「有没有随机」，而是「哪一层在随机」——从数据切分、样本重采样、特征子集选择到 CV 折叠，每一层都可能悄悄引入漂移。固定所有涉及 random_state 的位置，才是稳定结果的最小必要动作。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
