Python 为什么不在RandomizedSearchCV中评估过度测试拟合结果？

我正在尝试优化sklearn中分类器和回归方法的hiperparameters。我有个问题。为什么在评估结果时，选择最佳训练精度，而不是在测试中评估此结果，并使用其他训练精度迭代其他值以获得最佳测试精度？因为显然，最佳列车精度的参数与最佳测试精度的参数不同

---

谢谢

在训练模型时，我们通常将数据分为训练集、验证集和测试集。让我们看看每一组的建议

列车组：模型使用它来学习其参数。通常，模型会降低其在列车组上的成本，并选择成本最低的参数

验证集：根据名称，验证集用于验证模型在尚未看到的数据上也会表现良好。这让我们相信，该模型并没有记住训练数据，在训练数据上表现得很好，但在新数据上表现得不好。如果模型足够复杂，则存在模型记忆训练数据以提高其在训练集上的性能，但在验证数据上效果不佳的风险

通常我们使用交叉验证，将训练集划分为n个相等的部分，然后为每个迭代选择一部分作为验证，其余部分作为训练集

---

测试集：测试集被放在一边，只有当我们对我们的模型感到满意时，才最终使用测试集来评估最终模型在野外新数据上的性能。验证集的一个主要区别是，它不以任何方式用于改进或更改模型或改进模型，但验证集帮助我们选择最终模型。我们之所以这样做，是因为我们不希望模型偏向于测试数据，但却无法很好地处理野外数据。

分享您正在讨论的一段代码