MAP(mean average precision，平均正确率值)

是常用于query模型的评估标准。AP(average precision)是一次query的评估值。MAP表示所有query的AP的均值

NDCG(Normalized Discounted Cumulative Gain,归一化折损累计增益)

上面我们也介绍了MAP评价指标,但是MAP认为是二元相关性(即对一个Item要么是感兴趣要么是不感兴趣的),而NDCG允许以实数形式进行相关性打分,这种关系类似分类和回归的关系.

NDCG这个名字可能比较吓人,但背后的思想却很简单.一个推荐系统返回一些item并形成一个列表,我们想要计算这个列表有多好,每一项都有一个相关的评分值,通常这些评分值是一个非负数,这就是gain(增益).此外对于这些没有用户反馈的项我们通常设置起增益为0.

推荐结果的相关性越大,DCG越大
相关性好的排在推荐列表前面的话,推荐效果越好,DCG越大.

Precision@K（精确率，又叫查准率）

精确率表示在所有为正的样本中,真正为正的样本概率

Recall@K（召回率，又叫查全率）

召回率表示在原样本的正样本中,最后被正确预测为正样本的概率

查准率就是说检索出的信息中有多少是用户真正感兴趣的.
查全率就是说用户真正感兴趣的信息有多少被我们预测到了
首先我们明确如下几个定力:
TP(True Positive) : 表示样本的真实类别为正,最后预测得到的结果也为正
FP(False Positive): 表示样本的真实类别为负,最后预测得到的结果为正
TN(True Negative): 表示样本的真实类别为负,最后预测得到的结果也为负
FN(False Nositive): 表示样本的真实类别为正,最后预测得到的结果为负
可以看到TP,TN是我们预测准确的样本,而FP,FN是我们预测错误的样本.

recall 和Precision是相互矛盾的.一般来说查准率高时查全率往往偏低,查全率高时查准率往往偏低. 在很多情形下,我们根据学习期的预测结果进行排序,排在前面的我们认为是最可能是正例的样本,排在后面的被认为是最不可能是正例的.根据此顺序我们可以每次计算出recall,precision.以查准率为纵轴,查全率为横轴就得到了”P-R”曲线,

RMSE(root mean square error, 均方根误差)

MSE(mean square error, 均方误差)是预测值与真实值差的平方的期望

RMSE是MSE的算数平方根。均方根误差是用来衡量观测值同真实值之间的偏差,RMSE越小越好

MAE(Mean Average Error, 平均绝对误差)

表示预测值和实际值之间的绝对误差的平均值，越小越好

R2(R Squared，决定系数)

被人们称为最好的衡量线性回归法的指标。

越大越好，越接近1,越好,大于0.8就不错了

如果我们使用同一个算法模型，解决不同的问题，由于不同的数据集的量纲不同，MSE、RMSE等指标不能体现此模型针对不同问题所表现的优劣，也就无法判断模型更适合预测哪个问题。得到的性能度量都在[0, 1]之间，可以判断此模型更适合预测哪个问题。

Exp var

Logloss

二分类任务中常用的损失函数，在LR中，通过对似然函数取对数得到。也就是交叉熵损失函数。