您可以做的一件事是训练您的模型 N 次并报告准确度的平均值和标准偏差。

训练/测试拆分是否固定？这意味着，您是否对每次评估都使用相同的训练集？你有分层分裂吗？这意味着您的数据的类别不平衡也存在于训练和测试数据中。由于您的数据不平衡，假设您有一个拆分，其中大部分训练数据由 0 类组成，您的模型将学会通过始终预测 0 来实现低训练损失，但您将有很高的测试损失，因为您在您的测试集中有更多的 1 类样本。

它可能有助于检查您的预测。修复种子并分层你的分裂。

看来您的模型欠拟合。
数据序列的变化改变了它的学习路径，由于学习不完整（欠拟合），这个位置变成了基于路径的随机位置。
学习是否已完成，无论起始路径如何。它将到达相同的结束位置。

你不能依赖你得到的任何准确性。

工作没有完成。现在不要考虑报告策略

问题似乎与高维数据有关。
想象一个有 300 个维度但只有 150 个点的空间。任何模型都很难学习。

可以做什么 -
如果数据是稀疏的，请尝试使用 SVM 一次。

如果没有，请减小维度并简单地使用 RandomForest。