我想知道我是否在 10 倍上进行 GridsearchCV，获得最佳参数，然后使用这些参数评估 10 倍的性能 - 这是“合法”还是过度拟合？我想对整个数据运行最佳参数吗？或者我可以再用10倍吗？

我很确定您不会因此入狱；）但由于数据泄漏，这将是不正确的：您将用于最终评估的数据将与用于学习最佳参数的数据相同。因此，如果在调优（这是一种监督训练）过程中找到的最佳参数是偶然发生的，那么最终的性能将被人为地提高。

正确的方法是：

• 为了保留新的测试集，即在训练集上使用 CV 运行网格搜索，然后在新的测试集上评估最终模型。
• 要使用嵌套 CV，即双 CV 循环：对于每个外部 CV 折叠，在训练集上运行网格搜索内部 CV，然后在外部 CV 测试集上进行评估。不用说，它有点复杂。

另外，LOOCV 是否会在性能部分提供更好的概括？（不在网格搜索上）？

留一份简历与$k$-折叠简历，但$k$等于实例的数量，所以在你的情况下，它就像 150 倍的 CV。优点：每次都有更多的训练数据，因此有可能更好的模型；缺点：计算成本较高，因为训练/测试重复了 150 次。