准确率：分类正确的样本占总样本个数的比例，Accuracy=ncorrect/ntotal精确率Precision：精确率是指分类正确的正样本个数占分类器判定为正样本的样本个数比例召回率Recall：分类正确的正样本个数占真正的正样本个数的比例如何评估排序模型的性能？F1 Score和ROC曲线能综合反映一个排序模型的性能F1=（2*Precision*Recall）/（Precision+Rec

准确率（precision）P：其中，TP(真正，True Positive)表示真正结果为正例，预测结果也是正例；FP(假正，False Positive)表示真实结果为负例，预测结果却是正例；TN（真负，True Negative）表示真实结果为正例，预测结果却是负例；FN（假负，False Negative）表示真实结果为负例，预测结果也是负例。显然，TP+FP+FN+TN=样本总数准确率（

在机器学习问题中，通常将特征表示为向量的形式，所以在分析两个特征向量之间的相似性时，常使用余弦相似度来表示。余弦相似度的取值为【-1,1】，相同的两个向量之间的相似度为1，如果希望得到类似于距离的标识，讲1减去余弦相似度即为余弦距离。因此余弦距离的取值范围为【0，2】，相同的两个向量余弦距离为0相关知识点：余弦相似度、余弦距离、欧式距离、距离的定义...

P-R曲线即Precision-Recall曲线P=TP/(TP+FP) ，P是代表预测为真且真实为真的数据占预测为真数据的比例。R=TP/(TP+FN)，R是代表预测为真且真实为真的数据占真实为真数据的比例ROC曲线即Receiver Operating Characteristic Curve曲线，横坐标为假阳率（False Positive Rate，FPR），纵坐标为真阳率（True Po

过拟合：指模型对于训练数据你和呈现过当情况。反映到评估指标上，就是模型在训练上的表现很好，但是在测试集和训练集上表现较差降低过拟合风险的方法：1、从数据入口，获取更多的数据2、降低模型复杂度3、正则化法4、集成学习法欠拟合：之模型在训练和与测试时表现都不好降低欠拟合风险的方法：1、添加新特征2、增加模型复杂度3、减少正则化系数...

P-R曲线即Precision-Recall曲线P=TP/(TP+FP) ，P是代表预测为真且真实为真的数据占预测为真数据的比例。R=TP/(TP+FN)，R是代表预测为真且真实为真的数据占真实为真数据的比例ROC曲线即Receiver Operating Characteristic Curve曲线，横坐标为假阳率（False Positive Rate，FPR），纵坐标为真阳率（True Po