机器学习模型中为何设置不同的random_state值？

这两个random_state控制的是完全独立的随机流程，根本不需要设置成相同数值，具体原因如下：

• 拆分数据集时的random_state=1：只负责控制train_test_split的随机划分逻辑，确保每次运行代码时，训练集和验证集的内容完全一致，保证后续模型训练的输入是固定的。
• 模型（RandomForestClassifier）的random_state=0：控制的是模型内部的随机操作，比如随机森林里每棵决策树的特征选择、样本采样等，确保每次训练同一个模型时，模型的初始化和训练过程完全可复现。

这两个随机过程互不影响，设置不同的数值只是为了明确区分两个独立的随机环节而已。哪怕你把两个都设成1或者都设成0，也不会有问题——只要各自固定数值，就能分别保证数据拆分和模型训练的可重复性。

附原示例代码：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

data = pd.read_csv('../input/fifa-2018-match-statistics/FIFA 2018 Statistics.csv')
y = (data['Man of the Match'] == "Yes")  # Convert from string "Yes"/"No" to binary
feature_names = [i for i in data.columns if data[i].dtype in [np.int64]]
X = data[feature_names]
train_X, val_X, train_y, val_y = train_test_split(X, y, random_state=1)
my_model = RandomForestClassifier(n_estimators=100,
                                  random_state=0).fit(train_X, train_y)

内容的提问来源于stack exchange，提问作者ThilotoSanchez