AUC（Area Under Curve）是ROC曲线下的面积，用于评估分类模型的性能。AUC越大，说明分类器的性能越好。ROC（Receiver Operating Characteristic）曲线是以不同的阈值为基础，绘制真正例率（True Positive Rate）和假正例率（False Positive Rate）之间的曲线。ROC曲线可以直观地展示分类器在不同阈值下的性能表现。KS（Kolmogorov-Smirnov）统计量是评估分类器性能的一种指标，是衡量正负样本分布差异的程度。KS值越大，说明分类器的性能越好。轮廓系数是聚类算法的评估指标。衡量样本与所在簇的相似性（内聚度）及与其他簇的分离度（区分度），取值[-1,1]。