Categorization Accuracy
Categorization Accuracy，分类准确率
定义：
$$logloss = -\frac{1}{N}\sum_{i=1}^{N}I(y_{i} = p_{i})$$
其中：
$N$为测试样本的个数$y_{i}$为第$i$个样本的类别标签$p_{i}$为预测的第$i$个样本的类别
$$Loss = -\frac{1}{N}\sum_{i=1}^{N}\sum_{j=1}^{K} y_{i,k}log(p_{i,k})$$
其中：
$y_{i,k}$表示第$i$个样本标签为$k$的情况， 如果标签为$k$则是 1，反之为 0$p_{i,k}$表示模型预测第$i$个样本属于$k$的概率
Multi Class Log Loss
定义：
$$logloss = -\frac{1}{N}\sum_{i=1}^{N}\sum_{i=1}^{N}\sum_{i=1}^{M}y_{i,j}log(p_{i,j})$$
其中：
$N$为测试样本的个数$M$为类标签的个数
针对准确率问题，目前常采用的损失函数为 Multiclass Log Loss，其数学形式如下：
$$logloss = -\frac{1}{N}\sum_{i=1}^{N}\sum_{i=1}^{N}\sum_{i=1}^{M}y_{i,j}log(p_{i,j})$$
其中：
$N$为测试样本的个数$M$为类标签的个数
MAP-Mean Average Precision
定义：
$$MAP = \frac{1}{|U|}\sum_{u=1}^{|U|}\frac{1}{min(A, m)}\sum_{k=1}^{min(n, A)}P(k)$$
其中：
$|U|$为用户的个数$P(k)$为在截止点$k$处的精度(Precision)$n$是预测物品的数量$M$是给定用户购买物品的数量，如果$M=0$，则精度定义为 0
使用 Sigmoid Cross Entropy，注意与其它常用的多分类损失函数的区别
Mean F1
定义：
$F1 = \frac{2pr}{p+r}$
其中：
$p = \frac{tp}{tp+fp}$$r = \frac{tp}{tp+fn}$
Mean Square Loss
Average Jaccard Index
两个区域 A 和 B 的 Jaccard Index 可以表示为：
$$Jaccard = \frac{TP}{TP + FP + FN} = \frac{A \cap B}{A \cup B} = \frac{|A \cap B|}{|A| + |B| - |A \cap B|}$$
其中：
$TP$表示 True Positive 的面积$FP$表示 False Positive 的面积$FN$表示 False Negative 的面积