Случайный лес слишком случайный

from TreeClassifier import tree_classifier as tree
import random
import copy
import numpy as np
import math
 
random.seed()
 
from sklearn.datasets import load_breast_cancer
cancer_dataset = load_breast_cancer()
 
from sklearn.model_selection import train_test_split
 
X_train, X_test, y_train, y_test = train_test_split(
    cancer_dataset['data'], cancer_dataset['target'], random_state=0)
 
 
class random_forest_classifier():
 
    def __init__(self, N):
        '''N - Это количество деревьев. forest - список объектов-деревьев, voting - будущий список
        ответов этих деревьев, которые будут использоваться для голосования'''
        self.voting = []
        self.forest = []
        for i in range(0, N):
            new_tree = tree()
            self.forest.append(new_tree)
 
    def shiffle(self, X_train, y_train, size):
        '''В этой функции создаются случайные выборки для всех деревьев.
        X_train и y_train - массив объектов и ответов соответственно.
        size - это количество признаков, выбранных случайным образом из всех
        признаков для обучения очередного дерева.'''
        X_trains = [] #Это будут новые массивы для деревьев
        y_trains = []
 
        for i in range(0, len(self.forest)):
            new_X_train = copy.copy(X_train)
            new_y_train = copy.copy(y_train)
            '''Просто скопировал массивы в новые переменные'''
            for j in range(0, len(X_train)):
                rand = random.randint(0, len(X_train)-1)
                new_X_train[j] = copy.copy(X_train[rand])
                new_y_train[j] = copy.copy(y_train[rand])
                '''Случайным образом копирую элементы из исходного массива'''
            numb = len(X_train[0]) - size
            '''Строчка выше - это такой ублюдский костыль. Просто сначала задумывалось,
                что будет задаваться количество признаков, которое следует убрать от 
                общего числа признаков, а потом я переделал, чтобы нужно было задать
                количество признаков, которое нужно использовать от общего числа признаков.
                Извиняюсь.'''
            while numb>0:
                rand2 = random.randint(0, len(new_X_train[0])-1)
                new_X_train = np.delete(new_X_train, rand2, axis=1)
                numb -= 1
                '''Удаляю случайные признаки.'''
            X_trains.append(new_X_train)
            y_trains.append(new_y_train)
            '''Формирую окончательные массивы для всех деревьев и возвращаю их'''
        return X_trains, y_trains
 
    def most_frequent(self, mas):
        '''Функция возвращает наиболее часто встречающийся
        класс из имеющихся в массиве'''
        clMas = []
        for i in range(0, len(mas)):
            add = 1
            for j in range(0, len(clMas)):
                if mas[i] == clMas[j][0]:
                    add = 0
                    clMas[j][1] += 1
                    break
            if add == 1:
                clMas.append([mas[i], 1])
 
        max = clMas[0]
        for i in range(0, len(clMas)):
            if max[1] < clMas[i][1]:
                max = clMas[i]
 
        return max[0]
 
    def learn_forest(self, X_train, y_train, tree_size, train_size=int(math.sqrt(len(X_train[0])))):
        '''Обучаем лес, что и следует из названия. tree_size - это ограничение по размеру дерева.
        train_size - Это количество признаков от их общего числа, которое надо использовать
        для каждого дерева'''
        train = self.shiffle(X_train, y_train, train_size)
        '''Хм. train - это список со случайными выборками для каждого дерева в лесе
        [0] - соответствует массивам объектов, [1] - массивам ответов'''
        for i in range(0, len(self.forest)):
            self.forest[i].learn(train[0][i], train[1][i], tree_size)
            print(i)
 
    def predict_forest(self, X_new):
        '''Предсказание. X_new - наш объект со своими признаками'''
        self.voting.clear()
        for i in range(0, len(self.forest)):
            self.voting.append(self.forest[i].predict(X_new))
        return self.most_frequent(self.voting)
 
 
new_forest = random_forest_classifier(15)
new_forest.learn_forest(X_train, y_train, 20)
 
'''Всё, что ниже - для оценки правильности даваемых ответов'''
divide = [0, 0]
for i in range(0, len(X_test)):
    if new_forest.predict_forest(X_test[i]) == y_test[i]:
        divide[0] += 1
    else:
        divide[1] += 1
 
print(divide[0]/len(y_test))