1.回归任务

1. MSE/MAE/RMSE

   1. MSE是平均平方误差，MAE是平均绝对误差，y与y^

   2. 一般模型训练用MSE，RMSE是均方根误差，量纲恢复

2. R方

   1. 大R方是决定系数
   2. 相比于预测值为平均值，模型提升了多少
   3. 1 减去残差波动 / 总波动

3. pearson 皮尔逊相关系数 ρ/r

   1. 归一化之后的协方差
   2. 判断线性相关性

2.分类任务

2.1 二元

1. ACC

   1. 只看预测的对不对
   2. 分子TN和TP，分母全体

2. Precision

   1. 分子TP，分母全部预测为真的样本
   2. 不要错判

3. Recall

   1. 分子TP，分母为全部实际为真的样本
   2. 不要漏判

4. F1 Score

   1. 解决冲突，precision和recall和调和平均值
   2. 这样对小值敏感，有木桶效应

5. AUC

   1. 

   2. 衡量模型把正样本排在负样本前面的能力
   3. 是ROC曲线下面积
   4. 横轴FPR，纵轴TPR（召回率），分母一个是N一个是P，分子一个是FP，一个TP，它们随阈值减小而增大，从[0,0]到[1,1]
   5. 只看排序能力，不看预测的概率值

6. BCE

   1. 激活函数sigmoid

2.2 多元

1. CE

   1. 只看正确类别的概率
   2. 注意区分多标签分类和多分类，多标签分类允许结果有多个标签，此时不能用softmax+CE，只能用sigmoid+BCE

4.排序/推荐任务

1. hitrate@K

   1. 比较直接和粗糙，分子是推荐对的用户数（K个推荐有一个对了就行），分母是所有用户数
   2. 只看是否推荐对，不看推荐的排序

2. Precision@K

   1. |TopK∩G|/K

3. Recall@K

   1. |TopK∩G|/G

4. MRR@K

   1. 平均倒数排序，字面意思
   2. 只看第一个推荐对的排序

5. MAP

   1. MAP在这里是平均准确度均值，AP是平均准确度，每个推荐对的物品都要计算准确度，AP是这些准确度的平均值，MAP是所有用户的AP均值

6. DCG/NDCG

   1. ​​​​​​​CG累计增益，DCG折损累计增益，IDCG理想折损累计增益，NDCG归一化折损累计增益

   2. CG就是把所有物品的相关性（rel_i）累加，DCG就是分子是将相关性指数化放大(2^rel_i - 1)，分母用位置折损（log2 i +1,位置越靠后贡献越小）

   3. 一般rel_i用二值相关性属于{0,1}