Примерка sklearn GridSearchCV модель

Я пытаюсь решить проблему регрессии в Boston Dataset с помощью регрессор случайного леса. Я использовал GridSearchCV для выбора лучших гиперпараметров.

Проблема 1

Должен ли я установить GridSearchCV на какой-нибудь X_train, y_train, а затем получить лучшие параметры.

OR

Должен ли я установить его на X, y, чтобы получить наилучшие параметры (X, y = весь набор данных)

Проблема 2

Скажите, если я уложу его на X, y и получу лучшие параметры, а затем построю новую модель на этих лучших параметрах. Как мне тренировать эту новую модель?

Стоит ли тренировать новую модель на X_train, y_train или X, y.

Проблема 3

Если я тренирую новую модель на X,y, как я буду проверять результаты?

Мой код на данный момент

   #Dataframes
    feature_cols = ['CRIM','ZN','INDUS','NOX','RM','AGE','DIS','TAX','PTRATIO','B','LSTAT']

    X = boston_data[feature_cols]
    y = boston_data['PRICE']

Обучить тестовый раздел данных

from sklearn.cross_validation import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 1)

Поиск по сетке для получения наилучших гиперпараметров

from sklearn.grid_search import GridSearchCV
param_grid = { 
    'n_estimators': [100, 500, 1000, 1500],
    'max_depth' : [4,5,6,7,8,9,10]
}

CV_rfc = GridSearchCV(estimator=RFReg, param_grid=param_grid, cv= 10)
CV_rfc.fit(X_train, y_train)

CV_rfc.best_params_ 
#{'max_depth': 10, 'n_estimators': 100}

Обучите модель на max_depth: 10, n_estimators: 100

RFReg = RandomForestRegressor(max_depth = 10, n_estimators = 100, random_state = 1)
RFReg.fit(X_train, y_train)
y_pred = RFReg.predict(X_test)
y_pred_train = RFReg.predict(X_train)

RMSE: 2.8139766730629394

Я просто хочу получить совет о том, какие шаги будут правильными.