Python GridSearchCV不'；t在同一数据集上给出最佳分数

我正在尝试使用GridSearchCV和以下代码获得最佳分数

params = {'C':[15,20,25],'epsilon':[.003,.005,.008],'gamma':[.0001,.0003,.0006]}
svr = SVR()
grid=GridSearchCV(svr,param_grid=params)
grid.fit(X,train_labels)
gridCV = make_pipeline(RobustScaler(),grid)
gridCV.fit(X,train_labels)
grid.best_score_
grid.best_params_
#Output - 
0.9014615123000982
{'C': 25, 'epsilon': 0.005, 'gamma': 0.0003}

现在，如果我用超参数的特定子集尝试相同的代码，我会得到更好的分数，如下所示。为什么GridSearchCV没有给出最好的分数

svr = SVR()
grid=GridSearchCV(svr,param_grid={'C':[20],'epsilon':[.008],'gamma':[.0003]})
grid.fit(X,train_labels)
gridCV = make_pipeline(RobustScaler(),grid)
gridCV.fit(X,train_labels)
grid.best_score_
#Output - .9010315734981053

---

SVR的默认评分函数为R²（参见）

这意味着越高越好

0.9014615123000982

高于

0.9010315734981053

---

GridSearchCV

为您提供了最佳解决方案

嘿，我认为您误读了分数。显然，第一次网格搜索产生的“最佳分数”（0.9014）比特定超参数产生的分数（0.9010）要好。我的意思是，我甚至不认为这些分数有什么不同。但是如果你想用一个特定的精度来比较，第一次网格搜索还是更好的。。。。