scikit-learn：交叉验证分数是否评估对数损失函数？
scikit-learn: Is the cross validation score evaluating the log loss function?
在 python sklearn 中，我使用随机梯度下降来执行多类分类，最小化对数损失函数。
clf = SGDClassifier(loss="log", penalty="l2")
当我对我的测试集执行交叉验证时，对于每个数据拆分，我计算：
score = clf.fit(X_train, y_train).score(X_test, y_test)
分数是损失函数的评价吗？
对于每个交叉验证拆分，我的分数始终为 0.0。那么这是否意味着我的分类器正确标记了我的测试数据，或者这是否意味着我的准确性非常低？
Here 是的。与损失函数无关。
Returns the mean accuracy on the given test data and labels.
In multi-label classification, this is the subset accuracy which is a
harsh metric since you require for each sample that each label set be
correctly predicted.
里面使用了accuracy_score函数
Accuracy classification score.
In multilabel classification, this function computes subset accuracy:
the set of labels predicted for a sample must exactly match the
corresponding set of labels in y_true.
0.0 表示您的分类器无法正确分类 X_test 中的任何样本。
在 python sklearn 中，我使用随机梯度下降来执行多类分类，最小化对数损失函数。
clf = SGDClassifier(loss="log", penalty="l2")
当我对我的测试集执行交叉验证时，对于每个数据拆分，我计算：
score = clf.fit(X_train, y_train).score(X_test, y_test)
分数是损失函数的评价吗？
对于每个交叉验证拆分，我的分数始终为 0.0。那么这是否意味着我的分类器正确标记了我的测试数据，或者这是否意味着我的准确性非常低？
Here 是的。与损失函数无关。
Returns the mean accuracy on the given test data and labels.
In multi-label classification, this is the subset accuracy which is a harsh metric since you require for each sample that each label set be correctly predicted.
里面使用了accuracy_score函数
Accuracy classification score.
In multilabel classification, this function computes subset accuracy: the set of labels predicted for a sample must exactly match the corresponding set of labels in y_true.
0.0 表示您的分类器无法正确分类 X_test 中的任何样本。