describe으로 mean과 std를 확인해보았는데 큰 차이는 없는거 같긴합니다. variance도 마찬가지구요. 5개의 numeric features를 사용하고 있습니다.

네 5cv와 10cv 둘다 해봤는데 정확도는 같았습니다. 그런데 제출용 테스트데이터를 예측하고 제출하면 30% 이상 낮게 나오네요

카테고리 인코딩은 df[[object_cols]].astype('category').cat.codes 방식으로 인코딩 했었으나,
의심하시는 것처럼 카테고리 인코딩할 때 테스트데이터 인코딩이 잘 안되는지 싶어서 아예 카테고리 피쳐들은 배제하고 사용했습니다.
카테고리 피쳐를 사용하든 뉴메릭 피쳐만 사용하든 처음 train.csv에서 나온 데이터를 train과 test로 분할해서 예측해보면 81퍼정도 나오는데,
학습된 모델로 test.csv를 예측하면 52퍼센트밖에 안나옵니다.
10 fold cv도 했고, 뉴메릭 데이터의 scaling이 문제인가 싶어서 스탠다드 스케일러도 적용해봐서 테스트도 했고 적용 안해서 테스트도 해보았으나 
전부 81-> 52퍼로 떨어지네요

@데이터김수형님 일단 현재로써는 리더보드 와 validation score 동기화 시키는 부분이 중요할 것으로 보입니다. 제가 실험해 본 결과 리더보드와 동기화가 가능한 상태이고, 무엇보다도 feature importance 를 뽑아 보시면 카테고리 필드의 중요도 (F09) 가 제일 높습니다. 그말인즉슨 카테고리를 배제하고 학습을 하면 제대로된 리더보드 동기화는 불가능하다고 보시면 되겠습니다. 

답변 감사드립니다. 죄송합니다만 동기화가 무슨 의미인지 설명해주실 수 있으신지요? train.csv로 validate한 결과와 리더보드 결과를 일치 시키도록 학습 방법을 변경하라는 의미신가요?