我这样训练数据：
有四个类，数据分布均匀（标签数量相同）。
min_max_scalertrain_test_split(X,y,test_size=0.3,random_state=42,stratify=y)GradientBoostingClassifier- once with n_estimators=32, and once withn_estimators=500在训练数据上n_estimators=32和 accuracy=1 on n_estimators=500。看起来很可疑，但我不知道为什么......我做错了什么？
根据您的数据，您可能会过度拟合，但这不一定是最终答案。
梯度提升树是一种强大的算法，并且在一段时间内被用作最先进的算法。如果您的数据碰巧以您尚未发现的系统方式表示目标值，那么算法很可能通过 500 棵估计树找到了完美的解决方案。这并非闻所未闻。
另一方面，我对您的数据了解不多。你有多少样品？100？100,000？前者更容易完美建模。如果类之间的差异是可预测的，则后者也可能是可预测的（尽管可能性较小）。特征的数量也可能起作用，以及每个特征的重要性。
正如评论中所建议的，交叉验证可以帮助您发现这里发生了什么。我强烈建议阅读我上面链接的论文，以查看严格的简历示例。仔细阅读他们所做的，了解如何为自己的 CV 设置建模。
您可以考虑检查分类器返回的特征重要性。如果一个特征非常重要，它可能表明该特征与目标变量之间存在密切相关性（这应该表明您需要仔细研究该特征）。
从理论上讲，您不允许对所有数据使用 min_max_scaler，因为您的测试集不再独立。但这仅在您拥有非常小的数据集时才会出现问题。
选项 ：
你的问题太容易解决了，你的类可能不需要机器学习就可以分离
您正在将信息从目标泄漏到测试集，因此准确性很高，请在不同的测试集上尝试缩放您的整个数据（并且应该学习所有其他估计操作并应用训练数据，然后传播到测试集。
您严重过度拟合（32 的估计量并不多），这让我认为您没有太多数据。