您想创建一个所有决策树都相同的随机森林。（我相信您正在尝试将其作为一种教育练习，而不是严肃的事情。:)）

你试图通过设置来做到这一点，random_state并引用了我的回答

• 为什么 `max_features=n_features` 不会使随机森林与树的数量无关？

确实，正如您所发现的，我的回答并不完全正确。

我已对其进行编辑以添加

虽然这消除了训练的随机性成分，但决策树仍然会有所不同。问题是 sklearn 集成根据给定的随机状态为每个孩子生成一个新的随机种子。他们不通过相同的random_state。

_set_random_states通过检查ensemble 基本模块中的方法，您可以看到这种情况，特别是这一行，它在 ensemble 的子模块中传播random_state。

如您所见，sklearn 使用random_state您提供的 RandomForest 为每个孩子创建新的随机状态，

for key in sorted(estimator.get_params(deep=True)):
    if key == 'random_state' or key.endswith('__random_state'):
        to_set[key] = random_state.randint(MAX_RAND_SEED)

因此它们会有所不同。之所以这样做，大概是因为异质性使集成变得强大。请注意，这不是特定于 RandomForest，而是特定于任何 sklearn 集成。

抱歉，我对您引用的问题的回答不正确。如果需要，可以使用随机森林实现。那是完全同质的。