您看到的行为与未正确重置模型无关，而是与大多数这些算法的随机性有关。通过设置随机种子，每次都会生成相同的随机数。看：

如何为 scikit-learn 播种随机数生成器？

然而，虽然这会产生可重复的样本，但这可能仍然不公平。如果一个模型随机获得一个好种子而另一个模型随机获得一个坏种子，那么您将不公平地总是偏爱第一个。您可以做的是使用相同的超参数但使用不同的种子多次运行模型并寻找平均性能。通过这种方式，您可以获得更公平的比较和可重复性。把种子放在前面，然后你可以把它们循环起来。像这样的东西：

seeds = (1, 2, 3, 4, 5)
performances = []
for seed in seeds:
    performances.append(score(Model(param1=1, param2=2, random_state=seed)))