我正在使用 scikit learn 来运行一些模型，我很困惑为什么我的测试分数比我的 cv 分数和我的 train 分数低这么多。

一开始，我进行了 80-20 的训练测试拆分。在训练集上，我使用 5 折交叉验证运行网格搜索来选择超参数。refit 设置为 true，因此在选择超参数后，模型会重新适应整个训练集，并用于预测测试集。

当我查看 cv_results_ 时，我发现我的 mean_train_score（我将其解释为每个 k 折交叉验证循环的训练分数）非常高。当我查看 mean_test_score（我称之为 cv score）时，它也非常高。但是当我使用我的外部测试分数时，分数真的很低。这适用于我正在使用的所有模型（我正在测试 10 个模型）。数字可以在下图中看到。

注意：我使用 F1 宏分数作为模型性能的衡量标准。

（LR）逻辑回归，（QDA）二次判别分析，（NN）最近邻，（LSVM）线性支持向量机，（RBFSVM）径向基函数支持向量机，（NB）朴素贝叶斯，（ANN）人工神经网络， (RF) 随机森林，(AB) AdaBoost 随机森林，(GB) 梯度提升随机森林

因此，由于我的测试集性能远低于我的训练分数，我确信我过度拟合了。但我不知道为什么我的简历分数会那么好？如果我的设置容易过度拟合，当我进行 5 折交叉验证时，我不会看到我的训练集的 4/5 过度拟合，这意味着我的 CV 分数也会很低吗？我不明白为什么我不会过拟合导致 5 倍 CV 步骤中的高 CV 分数，而是过拟合导致测试集中的低性能。