在Python的scikit-learn中，我使用随机梯度下降进行多类分类，最小化对数损失函数。

clf = SGDClassifier(loss="log", penalty="l2")

当我在测试集上进行交叉验证时，对于数据的每个分割，我计算：

score = clf.fit(X_train, y_train).score(X_test, y_test)

这个分数是否是对损失函数的评估？

对于每次交叉验证分割，我的分数总是0.0。这是否意味着我的分类器正确标记了测试数据，或者是我的准确率非常低？

回答：

这里有解释。这与损失函数无关。

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的度量标准，因为你要求每个样本的每个标签集都被正确预测。

它内部使用了accuracy_score函数。

准确率分类分数。

在多标签分类中，该函数计算子集准确率：为一个样本预测的标签集必须与y_true中对应的标签集完全匹配。

0.0意味着你的分类器无法正确分类X_test中的任何样本。