Usando GridSearchCV, best_params_ arroja resultados pobres.

Estoy intentando ajustar los hiperparámetros para KNN en conjuntos de datos bastante pequeños (Kaggle Leaf, que tiene alrededor de 990 líneas):

def knnTuning(self, x_train, t_train):

    params = {
        'n_neighbors': [1, 2, 3, 4, 5, 7, 9],
        'weights': ['uniform', 'distance'],
        'leaf_size': [5,10, 15, 20]
    }
    grid = GridSearchCV(KNeighborsClassifier(), params)
    grid.fit(x_train, t_train)

    print(grid.best_params_)
    print(grid.best_score_)

    return knn.KNN(neighbors=grid.best_params_["n_neighbors"], 
                   weight = grid.best_params_["weights"],
                   leafSize = grid.best_params_["leaf_size"])

Imprime:
{‘leaf_size’: 5, ‘n_neighbors’: 1, ‘weights’: ‘uniform’}
0.9119999999999999

Y devuelvo este clasificador:

class KNN:

    def __init__(self, neighbors=1, weight='uniform', leafSize=10):

        self.clf = KNeighborsClassifier(n_neighbors=neighbors,
                                        weights=weight, leaf_size=leafSize)

    def train(self, X, t):
        self.clf.fit(X, t)

    def predict(self, x):
        return self.clf.predict(x)

    def global_accuracy(self, X, t):
        predicted = self.predict(X)
        accuracy = (predicted == t).mean()

        return accuracy

Ejecuto esto varias veces utilizando 700 líneas para el entrenamiento y 200 para la validación, que se eligen con una permutación aleatoria.

Luego obtengo resultados para la precisión global desde 0.01 (con frecuencia) hasta 0.4 (raramente).

Sé que no estoy comparando dos métricas iguales, pero aún no puedo entender la gran diferencia entre los resultados.