我在使用Jupyter Notebook，所以我可以经常刷新代码块来拟合/预测/评估。每当我刷新时，即使训练数据没有被打乱，MSE/MAE/RMSE都会返回不同的值。这是为什么呢？

我尝试过查找这个问题，但似乎没有帮助，所以我想知道这是否是因为我的代码问题还是我理解不够

我经常刷新这个代码块

rf1 = SklearnExtra(clf = RandomForestRegressor(), seed = Seed, params = tune)rf1.fit(x_train, y_train)evaluate(rf1, x_test, y_test)print('Test MAPE '+ str(mean_absolute_percentage_error(rf1, y_test, x_test)))

def evaluate(model, test_features, test_labels):    predictions = model.predict(test_features)    errors = metrics.mean_absolute_error(test_labels, predictions)    MSerrors = metrics.mean_squared_error(test_labels, predictions)    RMSE = np.sqrt(metrics.mean_squared_error(test_labels, predictions))    RMSLE = np.sqrt(np.mean(np.power(np.log1p(predictions) - np.log1p(test_labels), 2)))    print('Model Perfomance')    print('MAE Error: {:0.4f} degrees. '.format(errors))    print('Average MSE Error: {:0.4f} degrees. '.format(MSerrors))    print('Average RMS Error: {:0.4f} degrees. '.format(RMSE))    print('Average RMSLE Error: {:0.4f} degrees. '.format(RMSLE))    return 'end of test'

class SklearnExtra(object):    def __init__(self, clf, seed = 0, params = None):        params['random_state'] = seed        self.clf = clf    def train(self, x, y):        self.clf.fit(x, y)    def predict(self, x):        return self.clf.predict(x)    def fit(self, x, y):        return self.clf.fit(x,y)    def feature_importances(self, x, y):        clf2 = self.clf.fit(x,y)        return (clf2.feature_importances_)    def name(self):        return str(self.clf)

Test DataModel PerfomanceMAE Error: 26.3329 degrees. Average MSE Error: 1950.4288 degrees. Average RMS Error: 44.1637 degrees. Average RMSLE Error: 0.3016 degrees. Test MAPE 24.11994617834992#next refreshTest DataModel PerfomanceMAE Error: 29.7638 degrees. Average MSE Error: 2479.5202 degrees. Average RMS Error: 49.7948 degrees. Average RMSLE Error: 0.3129 degrees. Test MAPE 25.520876708239378

回答：

每棵树都是基于数据的随机部分（自助法）和/或所有特征的一个子集构建的，所以每次模型都是不同的。这就是随机森林的意义所在；-）

你可以使用RandomForestRegressor(bootstrap=False)关闭自助抽样，但由于特征抽样，你每次仍然会得到略有不同的结果。

但是，如果你希望每次得到相同的结果，你可以将random_state参数设置为一个固定值，例如RandomForestRegressor(random_state=42)。:-)

这里是Sycorax在CrossValidated上对这个问题的很好的解释。