Jaccard similarity coefficient（杰卡德相似系数）：
两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数
Correlation coefficient（相关系数）：
准确率、召回、Fscore：
Hinge Loss：
$L(y(wx + b)) = [1 - y(wx + b)]_+$
Log Loss:
$ Loss(y, f(x)) = log(1 + exp(-yf(x))) $
Receiver operating characteristic (ROC) && AUC：
对于分类器，评价指标主要有precision,recall,F-score,以及auc.样本在不同类别上的不均衡分布，导致accuracy这样的度量标准不能恰当的反映分类器的表现。当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。
针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况：
(1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)
(2)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN)
(3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)
(4)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)
roc曲线：
横轴：false postive rate FPR = FP/(FP+TN) 负类中预测错误的比例 FPR越大，预测正类中实际负类越多
纵轴：true postive rate TPR = TP/(TP+FN) 正类中预测正确的比例 TPR越大，预测正类中实际正类越多 FPR与TPR没有相关性，TPR越大越好，FPR越小越好
理想目标：TPR=1，FPR=0,即图中(0,1)点，故ROC曲线越靠拢(0,1)点，越偏离45度对角线越好 (1,1):全部预测为正类 (0,0):全部预测为负类
AUC(Area under Curve)：Roc曲线下的面积，介于0.5和1之间。Auc作为数值可以直观的评价分类器的好坏，值越大越好
对于一个特定的分类器和测试数据集，显然只能得到一个分类结果，即一组FPR和TPR结果，而要得到一个曲线，我们实际上需要一系列FPR和TPR的值。由分类算法算出每个测试样本属于正样本的概率(score), 从高到低，依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本.每次选取一个不同的threshold，我们就可以得到一组FPR和TPR，即ROC曲线上的一点，这样即可画出ROC曲线。
AUC计算：
1、一个关于AUC的很有趣的性质是，它和Wilcoxon-Mann-Witney Test是等价的。而Wilcoxon-Mann-Witney Test就是测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score(score理解为预测属于正样本的概率)。有了这个定义，我们就得到了另外一种计 算AUC的办法：得到这个概率。我们知道，在有限样本中我们常用的得到概率的办法就是通过频率来估计之。这种估计随着样本规模的扩大而逐渐逼近真实值。这 和上面的方法中，样本数越多，计算的AUC越准确类似，也和计算积分的时候，小区间划分的越细，计算的越准确是同样的道理。具体来说就是统计所有的 M×N(M为正类样本的数目，N为负类样本的数目)个正负样本对中，有多少个组中的正样本的score大于负样本的score。当二元组中正负样本的 score相等的时候，按照0.5计算。然后除以MN。实现这个方法的复杂度为O(n^2)。n为样本数（即n=M+N）
2、 首先对score从大到小排序，然后令最大score对应的sample 的rank为n，第二大score对应sample的rank为n-1，以此类推。然后把所有的正类样本的rank相加，再减去两个正样本组合的情况(此处我觉得是m(m-1)/2)。得到的就是所有的样本中有多少对正类样本的score大于负类样本的score。然后再除以M×N。即
从AUC判断分类器（预测模型）优劣的标准：
- AUC = 1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
- 0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
- AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
- AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测，因此不存在AUC < 0.5的情况。
Mean absolute error：
Mean squared error：
http://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter