当我使用正常准确率和K折交叉验证运行决策树算法时，得到了两个完全不同的结果

当使用正常准确率和K折交叉验证运行决策树算法时，得到两个完全不同的结果可能是由于以下原因之一：

1. 数据集的不稳定性：决策树算法对数据集的分布和特征敏感。如果数据集在不同的运行中发生了变化，例如数据的顺序或分布发生了改变，可能会导致不同的结果。
2. 参数设置的不同：决策树算法中有一些参数可以调整，例如树的深度、分裂准则等。如果在不同的运行中使用了不同的参数设置，可能会导致不同的结果。
3. 随机性：决策树算法中的一些步骤可能涉及到随机性，例如特征选择时的随机抽样。如果在不同的运行中使用了不同的随机种子或随机抽样方式，可能会导致不同的结果。

为了解决这个问题，可以尝试以下方法：

1. 确保数据集的稳定性：在运行决策树算法之前，可以对数据集进行预处理，例如随机打乱数据、去除异常值等，以确保数据集的稳定性。
2. 统一参数设置：在进行不同运行之间，确保使用相同的参数设置，例如相同的树的深度、分裂准则等，以保持结果的一致性。
3. 控制随机性：如果算法中存在随机性，可以通过设置相同的随机种子或使用确定性的随机抽样方式来控制随机性，以确保结果的一致性。

总结起来，当使用正常准确率和K折交叉验证运行决策树算法时，得到两个完全不同的结果可能是由于数据集的不稳定性、参数设置的不同或随机性的影响。为了解决这个问题，可以通过确保数据集的稳定性、统一参数设置和控制随机性来提高结果的一致性。