我正在训练一个随机的森林模型，并使用一致的random_state值。我的训练，测试和验证数据集的准确度也非常高（都在〜.98左右）。虽然少数类只占数据集的约10％。
如果你有兴趣，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])
鉴于培训，验证和测试数据集的准确度得分很高，random_state是否会影响我的模型的推广？
random_state不会影响模型的泛化。事实上，当您调整random_state，n_estimators等超高参数时，最好使depth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，当您具有不平衡数据集等时，精度不是衡量模型性能的推荐指标。
ROC或PR曲线下面积可能是您可以使用的少数最好的东西之一，但有很多指标可用。见here
random_state：int，RandomState实例或None，可选（默认=无）
如果是int，则random_state是随机数生成器使用的种子;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，因此您可以确定性地重复训练。现在，您可以更改其他超参数（例如树的数量）以比较结果。
缺点可能是您没有找到全局最优。但是你的结果听起来非常好，0.98的准确性。
已知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，其中在每个节点处进行局部最优决策。这种算法不能保证返回全局最优决策树。这可以通过在集合学习器中训练多个树来减轻，其中特征和样本随替换而被随机采样。
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。