概述
我目前了解到的，机器学习主要分为如下几个方向：
不同的研究方向，需要不同的机器学习算法，同样也需要针对性的性能评价指标。
其中：分类问题，一般又为分为
二分类和多分类。
有监督/无监督
所有的样本数据集中，给出真实结果的，就叫有监督学习；只给样本数据，没有结果，自己猜的，就叫无监督学习。
分类问题
预测离散值的问题，一般属于分类问题。如果只预测两个值，即二分类；如果预测多个值，即多分类。比如mnist预测的就是0~910个数字，就是多分类；而像是否一类的问题，比如垃圾邮件识别，就属于二分类。
回归问题
预测连续值的问题，就属于回归问题。比如根据一些样本数据，预测未来房价的走势，就属于回归问题。我个人理解，回归问题，预测出来的值是不可枚举的，而分类问题基本上可枚举的。
聚类问题
属于无监督机器学习，之所以会有聚类问题，因为现实生活中不是所有数据都带有标记(或者说标记是未知的)。所以我们需要对无标记的训练样本进行学习，来揭示数据的内在性质及规律。
下面是我通过查资料以及实际在一些计算平台上操作，所总结出来的可以评价机器学习性能的具体指标。
二分类问题
其实二分类和多分类本质上都是分类问题，理论上所有适用于多分类的性能评价指标，都是适用于二分类的，但是因为二分类有其特殊性(0/1，True/False)，所以在指标的展示上，会比多分类要丰富一点。
基于上图矩阵，科学家们定义了如下几个指标：
精确率Precision = 提取出的正确信息条数 / 提取出的信息条数
召回率Recall = 提取出的正确信息条数 / 样本中的信息条数
F1值 = 正确率 * 召回率 * 2 / (正确率 + 召回率)
以及F1 score：
ROC和AUC
其实预测结果怎么知道是1还是0呢？一般情况下通过函数转换，计算出来的结果是介于0~1之间的实数，而最终的结果是通过阀值来区分的，比如大于0.5的就认为是1，否则就是0。那么阀值的变化，会对最终的预测结果产生非常大的影响。
ROC曲线想表达的，应该就是遍历所有阀值，所计算出来的真正率与负正率的变化情况。
最理想的模型，就是这条曲线只有一个点，即左上角，即无论阀值如何变化，预测出来的正值全都是对的。
现实一点说，蓝色曲线在红色曲线之上，就表示这个训练出的模型预测正确的概率是大于0.5的；如果两条线重合，表示这个模型预测的结果跟瞎蒙的概率是一样的；如果蓝色曲线在红色曲线之下，那这个模型就非常烂了，还不如瞎蒙！
由ROC曲线，就带出来AUC指标，它所表达的就是上图中蓝色曲线下方的所有面积，理论上，如果蓝色曲线集中在左上角的话，面积为1，这是最理想的指标，现实中AUC指标介于0~1之间，越接近1越好。
我们系统在实现时，可以参考下图：
可以让用户通过选择不同的阀值，或者指标，来展示具体的点，以及更详细的指标：
下面再列几个二分类的指标：
个人感觉红框内的指标是我们要展示的。
预测指标
最主要的仍然是ROC曲线。
以及由此引发的：
GAIN值和LIFT值：
多分类
混淆矩阵
这个应该是多分类最主要的指标，所谓混淆矩阵拿二分类来表示的话，如下图：
即看看所有预测值与真实值之间的分布情况，从而算出每个分类的错误率，如上图中左上和右下是正确预测，其它是错误预测。那么通用一点，在多分类中，可以类似如下的图表来展示混淆矩阵：
下面这个是阿里的二分类混淆矩阵：
多了几个指标。
其它指标
上图类似二分类，但是少了AUC。
预测指标
同上。
回归问题
直接截图，不想写了：
聚类问题
未知。
通用衡量指标
损失以及对数损失
以前搞深度学习时，都直接是损失，但是在使用h2o研究机器学习时，都是使用logloss，不知道是什么原因。
特征项重要性（VARIABLE IMPORTANCES）
该指标描述所有特征项中，哪些特征对最终结果的影响最大，按影响程度大小来展示图表。
算法模型summary
下面简单列几个我知道的，不同算法下，训练结果所展示的模型summary
分布式随机森林（Distributed Random Forest）
XGBoost
