你的直觉是正确的。您可以random_state出于以下几个原因设置 or 种子：

1. 为了可重复性，如果您想发布您的结果或与其他同事共享它们
2. 如果您正在调整模型，在实验中，您通常希望保持所有变量不变，但要调整的变量除外。

我通常random_state在调整或开发时设置变量，而不是随机种子，因为这是一种更直接的方法。当您投入生产时，您应该删除random_stateand/orrandom_seed设置，或设置为None，然后进行一些交叉验证。这将为您的模型提供更真实的结果。

设置种子或固定随机状态控制随机性。当您想做“受控实验”时，您需要在一定程度上控制随机性以实现可重现（并且由此也具有可比性）的结果。

您应该清楚需要控制随机性的地方：例如，当您使用线性回归或逻辑回归时，结果将始终相同（前提是您使用相同的数据和模型规范）。但是，当您随机拆分数据集进行测试和训练时，随机性会影响您的测试/训练拆分。

现在假设您想比较线性回归的不同模型规格以查看最佳模型是什么，并且您使用测试/训练集。为了比较不同的线性模型规格，您应该使用相同的数据进行训练/测试。因此，在这种情况下，您需要在测试/训练拆分中设置种子。否则 - 如果您不设置种子 - 模型中的更改可能来自两个来源。A) 更改的模型规范和 B) 更改的测试/训练拆分。

还有一些模型在学习过程中受到随机性的影响。如果您不设置种子，神经网络或增强模型 - 例如 - 在每个模型运行后会产生一些不同的结果。同样在这种情况下，例如，当您进行超参数调整以找到最佳模型时，控制随机性有助于确保不同模型运行的结果具有可比性。

在实验过程中，为了调整和再现性，您暂时固定随机状态，但您以不同的随机状态重复实验并取结果的平均值

# Set a Random State value
RANDOM_STATE = 42

# Set Python random a fixed value
import random
random.seed(RANDOM_STATE)

# Set numpy random a fixed value
import numpy as np
np.random.seed(RANDOM_STATE)

# Set other library like TensorFlow random a fixed value
import tensorflow as tf
tf.set_random_seed(RANDOM_STATE)

# Eventually don't forget to set random_state parameter in function like
RandomizedSearchCV(random_state = RANDOM_STATE, ...)

对于生产系统，您可以通过将其设置为 None 来删除随机状态

# Set a Random State value
RANDOM_STATE = None