例如：在sklearn可以随机分割训练集和测试集（交叉验证），只需要在代码中引入model_selection.train_test_split就可以了：
from sklearn import model_selection
x_train, x_test, y_train,y_test=model_selection.train_test_split(x,y,test_size=0.2,random_state=0)
这里的random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样。
链接：参考链接
random.randint(1,100) 没有设置 random seed 每次取得结果不同，他的随机数种子与当前系统时间有关
random seed(123）每次运行结果一致 如果你在需要设置随机数种子的地方都设置好，那么当别人重新运行你的代码的时候就能得到完全一样的结果，复现和你一样的过程。
三种情况： 1、在构建模型时：
forest = RandomForestClassifier(n_estimators=100, random_state=0) forest.fit(X_train, y_train)
2、在生成数据集时：
X, y = make_moons(n_samples=100, noise=0.25, random_state=3)
3、在拆分数据集为训练集、测试集时：
X_train, X_test, y_train, y_test = train_test_split( cancer.data, cancer.target, stratify=cancer.target, random_state=42)
如果不设置random_state的话会怎样？ 例如1中，每次构建的模型是不同的。 例如2中，每次生成的数据集是不同的。 例如3中，每次拆分出的训练集、测试集是不同的。
之所以会这样，是因为模型的构建、数据集的生成、数据集的拆分都是一个随机的过程。
如果你希望结果可以重现，固定random_state是非常重要的。
对于随机森林这个模型，它本质上是随机的，设置不同的随机状态（或者不设置random_state参数）可以彻底改变构建的模型。 对于数据集的生成，它本质上也是随机的，设置不同的随机状态（或者不设置random_state参数）可以彻底改变生成的数据集。 对于数据集的拆分，它本质上也是随机的，设置不同的随机状态（或者不设置random_state参数）可以彻底改变拆分的结果。
固定random_state后，每次构建的模型是相同的、生成的数据集是相同的、每次的拆分结果也是相同的。
总结：对于那些本质上是随机的过程，我们有必要控制随机的状态，这样才能重复的展现相同的结果。 如果，对随机状态不加控制，那么实验的结果就无法固定，而是随机的显现。
参考链接链接
