我是一名新手，目前正在从事数据科学简介项目。在我的项目中，我需要使用 GridSearchCV 调整超参数来找到 KNN 模型的最佳 K 值。然而，有一个问题让我和我的同事感到困惑：在执行该过程时是使用整个数据集（X，y）还是仅使用训练子集（X_train，y_train）。
- 使用整个数据集： 有些人认为，将整个数据集用于 gridsearchcv.fit(X, y) 可以最大化可用于训练的数据，从而可能更准确地确定 KNN 模型的最佳 K 值.
- 仅使用训练集： 其他人建议仅使用 gridsearchcv.fit(X_train, y_train) 的训练数据，认为这种方法可以防止来自看不见的测试集的数据泄漏。由于 GridSearchCV 执行交叉验证，因此应保留测试集来评估最终模型。
就我个人而言，我尝试仅使用 GridSearchCV 的训练集，因为我认为有必要仅保留最后一步的测试数据。您能否澄清这个问题以及哪种方法更适合使用 GridSearchCV 调整 KNN 超参数？谢谢！