我正在使用RandomForestRegressor（scikit-learnpython包）。我正在寻找超参数的最佳值，n_estimators并将min_samples_split我的回归器拟合到火车数据集 ( X_train, y_train) 上：

  param_grid = { 'n_estimators' : range( 10 , 201 ) ,
                 'min_samples_split' : range( 2 , 11 ) }


  rfr = RandomForestRegressor()

  best_score = 0
  best_param = {}

  for param in ParameterGrid( param_grid ):
      rfr.set_params( **g )
      rfr.fit( X_train , y_train )
      score = rfr.score( X_train , y_train )

  if score > best_score :
      best_score = score
      best_param = param

  print( 'best_score : {0}'.format( best_score ) )
  print( 'best_parameters : {0}'.format( best_param ) )

我不是故意使用交叉验证。

最好的超参数在best_param变量中，对应的分数在best_score变量中。

之后，我使用最好的参数设置我的回归器的超参数：

rfr.set_params( **best_param )

我在我的火车数据集上拟合回归器：

rfr.fit( X_train , y_train )

最后只是为了检查我获得了具有最佳超参数的回归器的分数：

rfr.score( X_train , y_train )

分数与网格中计算的分数不同：网格外为 0.806，网格内为 0.963。

我不明白为什么。超参数是最好的，用于计算这些最佳参数的数据集是相同的。有什么提示吗？