轉自：https://blog.csdn.net/az9996/article/details/86616668
在學習機器學習的過程中，常常遇到random_state這個參數，下面來簡單敘述一下它的作用。
作用：控制隨機狀態。
原因：為什么需要用到這樣一個參數random_state（隨機狀態）？
在此先簡單羅列三種情況：
1、在構建模型時：
forest = RandomForestClassifier(n_estimators=100, random_state=0)
forest.fit(X_train, y_train)
2、在生成數據集時：
X, y = make_moons(n_samples=100, noise=0.25, random_state=3)
3、在拆分數據集為訓練集、測試集時：
X_train, X_test, y_train, y_test = train_test_split(
cancer.data, cancer.target, stratify=cancer.target, random_state=42)
如果不設置random_state的話會怎樣？
例如1中，每次構建的模型是不同的。
例如2中，每次生成的數據集是不同的。
例如3中，每次拆分出的訓練集、測試集是不同的。
之所以會這樣，是因為模型的構建、數據集的生成、數據集的拆分都是一個隨機的過程。
如果你希望結果可以重現，固定random_state是非常重要的。
對於隨機森林這個模型，它本質上是隨機的，設置不同的隨機狀態（或者不設置random_state參數）可以徹底改變構建的模型。
對於數據集的生成，它本質上也是隨機的，設置不同的隨機狀態（或者不設置random_state參數）可以徹底改變生成的數據集。
對於數據集的拆分，它本質上也是隨機的，設置不同的隨機狀態（或者不設置random_state參數）可以徹底改變拆分的結果。
固定random_state后，每次構建的模型是相同的、生成的數據集是相同的、每次的拆分結果也是相同的。
總結：對於那些本質上是隨機的過程，我們有必要控制隨機的狀態，這樣才能重復的展現相同的結果。
如果，對隨機狀態不加控制，那么實驗的結果就無法固定，而是隨機的顯現。
修改（2019年3月9日17:44:06）
比喻的說一下，也不知道准不准確。
一個容器中放置一定量的沙子，每次用手去抓沙子的時候，抓取的結果會受到抓取的力度、一只手抓還是兩只手抓、手是干的或濕的等諸多因素的影響（將影響因素定為A={a,b,c,d,e,f,……}）。
固定random_state后，每次抓取沙子時的影響因素將被固定為具體的某一組，這樣每次抓取的沙子就具有了相同的狀態。