AUC：工作中用来衡量广告排序好坏的指标。AUC（Area Under Curve）被定义为 ROC 曲线下与坐标轴围成的面积，由于 ROC 曲线（receiver operating characteristic curve，简称 ROC 曲线）通常介于 x=y 这条直线的上方，因此介于 0.5 到 1 之间。我们在评估的时候，期望 AUC 的数值约接近 1 越好。
- COPC：这个指标在展示广告上应用多一些，全称（ click over predicted click），copc = 实际的点击率/模型预测的点击率，主要衡量 model 整体预估的偏高和偏低，同样越接近 1 越好，一般情况下在 1 附近波动。
- Log loss：对数损失（Log loss）亦被称为逻辑回归损失（Logistic regression loss）或交叉熵损失（Cross-entropy loss）。在机器学习中，通常把模型关于单个样本预测值与真实值的差称为损失，损失越小，模型越好，而用于计算损失的函数称为损失函数。
-
pCTR：广告点击率预测（Predict Click-Through Rate) 是广告算法中最核心的技术了。pCTR 要解决的问题是预测特定用户在特定广告位对特定广告当特定环境下的点击概率。为什么 pCTR 如此重要，因为广告排序的核心是 eCPM = pCTR * CPC，CPC 是广告主对点击的出价，是个已知量，所以只有一个 pCTR 变量。当然在实际中不可能是如此简单的排序公式，比如还有质量得分 (Quality Score)，比如 Google 的质量得分因素。
pCTR 一般是从离线数据中学习得到的，离线数据是保存到类似 Hive 的分布式数据库中，通过机器学习的算法将 Hive 中的数据进行分析，得到一个 pCTR 模型，这个模型就可以预测 pCTR 了，大致流程就是这样。
