推荐系统常用评估指标对比
制定评估指标是数据挖掘前期很重要的一步，一个好的评估指标要和关心的业务指标波动一致。这样可以通过对比不同模型的评估指标，来评价模型在实际业务中的效果，加快模型迭代周期，降低线上成本。
在推荐系统中评估指标可以分为三类：分类指标，回归指标，排序指标。
分类问题
分类问题输出是物品的类别，对于二分类问题，输出为0/1单个值；对于多分类问题，输出为一个one-hot向量 ，其中只有一个值为1，为1的列代表了模型预测样本的分类。
精确率和召回率
谈到精确率和召回率就设计到混淆矩阵，为了方便解释，以下未做说明的地方均为二分类任务。
混淆矩阵中TP和TN很清楚，但是FP和FN经常记错，暂时没有什么好办法。
精确率的定义如下：
精确率表示，预测为正的数据中，有多少个真的是对的。
召回率的定义如下：
召回率表示，所有正的数据中，有多少个被预测出来了。
可以在借助下图理解，左边的圆圈代表预测为正的样本集合，右边的圆圈代表真实为正的样本集合。精确率为黄色部分除以左边圆的面积，召回率是黄色部分除以右边圆的面积。
理想情况下，精确率和召回率都越高越好。事实上这个很难达到，当精确率提升时，召回率就会下降。反之，召回率提升时，精确率就会下降。一个极端的例子，如果我们把所有例子都预测为正，那么召回率为1，见下图左边的情况。反之，如果只把非常肯定的预测为正，那么精确率就为1，见下图右边的情况。
为了同时评估精确率和召回率，可以使用score，它是精确率和召回率的调和平均值，公式如下：
未完待续。。。