推荐系统中评估指标的精准率，准确率，召回率，P-R曲线，ROC曲线，AUC曲线

准确率：指分类正确的总样本个数的比例
精准率：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的比例
召回率：分类正确的正样本个数占真正的正样本个数的比例
为了综合评估一个排序模型的好坏，不仅要看模型在不同TopN下的精准率和召回率，而且最好的绘制出模型的P-R曲线。
P-R曲线的横轴为召回率，纵轴为精准率。
在用P-R曲线评估模型时，只用某个点对应的精准率和召回率时不能全面的衡量模型的性能，只有通过P-R曲线的整体表现，才能够对模型进行更为全面的评估
均方根误差：

一般情况下，RMES能够很好的反映回归模型预测值于真实值的偏离程度，但是在实际问题中，如果存在个别偏离程度非常大的离群点时，即使离群点数量非常少，也会让RMES指标表得很差。针对这个问题解决方案：
1、认定这些离群点是“噪声点”的话，就需要在数据预处理的阶段把这些噪声点过滤点
2、如果不认为这些离群点是噪声点，那就进一步需要提高模型的预测能力，这些离群点产生的机制建模进去。
3、找个更好的指标来评估模型，而平均绝对百分比误差(MAPE)它相当于把每个点的误差进行了归一化，降低个别离群点带来的绝对误差的影响

ROC曲线：作为评估二分类器最重要的指标之一。
ROC曲线的横坐标为假阳性率(FPR)和纵坐标为真阳性率(TPR)，

P为真实的正样本的数量，N为真实的负样本数量，TP是P个正样本被分类器预测的个数，FP是N个负样本中被分类器预测得正样本的个数
举例说明：医院给10个疑似癌症患者，其中3名是确诊患了癌症(P=3)，另外7名不是癌症患者(N=7)，医院给10人全部做检查，诊断出3名确诊，其中真正确诊的只有2名(TP)，对于7名非癌症患者来说，有1名为癌症患者(FP)。
所以真阳性率为TPR=TP/P=2/3,假阳性率为FPR=FP/N=1/7
这组分类的结果就对应的ROC曲线上的一个点(1/7,2/3)
绘制ROC曲线：
事实上，ROC曲线是通过不断移动分类器的“截断点”来生成曲线上的一组关键点，
而截断点指的是正负预测结果的阈值，相当于考试用60分代表是否及格一样的道理，只不过ROC曲线上的及格分数是个动态变化的而已。且横纵坐标最大的值为1。
ROC曲线的起始点是(0,0),终点为(1,1)
AUC曲线：指的是ROC曲线下的面积大小，该值能够量化地反应出基于ROC曲线衡量出的模型性能，一般AUC的取值在0.5-1之间，AUC越大，说明分类器越可能把真正的正样本排在前面，分类性能越好。
P-R曲线与ROC曲线的区别：
当正负样本的分布发生变化时，ROC曲线的形状能够基本保持不变，而P-R曲线的形状一般回发生强烈的变化。

由于ROC曲线基本不变化，这个特点让ROC曲线能够尽量降低不同测试集带来的干扰，更加客观地衡量模型本身的性能。
如果希望看到模型在特定数据集上的表现，P-R曲线则能够更直观地反映其性能。