邮件营销推广的curve法则
你手机中最常用的APP是哪三个？你觉得好用吗？
你手机中最常用的APP是哪三个？你觉得好用吗？
这个问题挺有意思的。我就来说说手机里最常用的三个APP吧。
首当其冲的是今日头条。估计时下大多数人的手机里都会有这个APP，看新闻，获取资讯挺好的。此时此刻，我就是用今日头条回答问题的。日常生活中的所见所闻、所思所想，我都会通过微头条来发表。我已经是离不开今日头条了！
其次就是微信了。我是做移动经销商的，每天都要关注各式各样的工作群、业务群，闲暇之余也会发发朋友圈。
第三个APP是淘宝。这个就不啰嗦了。
运营是做什么的？
运营，是在互联网环境下，为了获得用户增长，做好用户维系、提升收入，你所需要使用的一切手段。
所谓运营岗，一定会从某些单点技能切入，也几乎一定会综合应用到文案、活动、转化等基础技能，最终，运营需要搭建一整套体系，或制定很多复杂策略，对一家公司的商业价值负责。
s代什么意思？
1、S是Mrs或Miss的缩写。在邮件称呼中，在姓氏后面加“S”，表示对女性的称谓，如姓陈，陈S表示陈女士，是省略了“MS”里的“M”，男士称呼用“R”。
2、表示“小”，来自英语“small” 。
3、如S号，代表小号。
4、超人（superman）。
5、在物理学中，s是为秒的符号，它是计时单位。
6、在国际单位制中表示西门子（电导、电纳和导纳，三种导抗的单位）。
7、在化学中表示溶解度，来源于溶解度英文名称“solubility ”。
8、化学中s表示固体，反应方程式中有时标出。
9、表示沉降系数，亦即反映生物大分子在离心场中向下沉降速度的一个指标，值越高，说明分子越大。
10、在日常生活中，S也可表示女性身材的完美曲线
ROC曲线的例子？
在信号检测理论中，接收者操作特征曲线(receiver operating characteristic curve，或者叫ROC曲线)是坐标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一模型中设定最佳阈值。
在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。
ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具(飞机、船舰)，也就是信号检测理论。之后很快就被引入了心理学来进行信号的知觉检测。数十年来，ROC分析被用于医学、无线电、生物学、犯罪心理学领域中，而且最近在机器学习(machine learning)和数据挖掘(data mining)领域也得到了很好的发展。
术语
阳性 (P, positive)
阴性 (N, Negative)
真阳性 (TP, true positive) 正确的肯定。又称：命中 (hit)
真阴性 (TN, true negative) 正确的否定。又称：正确拒绝 (correct rejection)
伪阳性 (FP, false positive) 错误的肯定，又称：假警报 (false alarm)，第一型错误
伪阴性 (FN, false negative) 错误的否定，又称：未命中 (miss)，第二型错误
真阳性率 (TPR, true positive rate) 又称：命中率 (hit rate)、敏感度(sensitivity)
TPR TP / P TP / (TP FN)
伪阳性率(FPR, false positive rate) 又称：错误命中率，假警报率 (false alarm rate) FPR FP / N FP / (FP TN)
准确度 (ACC, accuracy) ACC (TP TN) / (P N) 即：(真阳性 真阴性) / 总样本数
真阴性率 (TNR) 又称：特异度 (SPC, specificity) SPC TN / N TN / (FP TN) 1 - FPR
阳性预测值 (PPV) PPV TP / (TP FP)
阴性预测值 (NPV) NPV TN / (TN FN) 假发现率 (FDR) FDR FP / (FP TP)
基本概念
分类模型(又称分类器，或诊断)将实例映射到特定类。ROC分析的是二元分类模型，也就是输出结果只有两种类别的模型，例如：(阳性/阴性) (有病/没病) (垃圾邮件/非垃圾邮件) (敌军/非敌军)。
当讯号侦测(或变量测量)的结果是连续值时，类与类的边界必须用阈值来界定。举例来说，用血压值来检测一个人是否有高血压，测出的血压值是连续的实数（从0~200都有可能），以收缩压140／舒张压90为阈值，阈值以上便诊断为有高血压，阈值未满者诊断为无高血压。二元分类模型的个案预测有四种结局：
真阳性(TP)：诊断为有，实际上也有高血压。
伪阳性（FP）：诊断为有，实际却没有高血压。
真阴性（TN）：诊断为没有，实际上也没有高血压。
伪阴性（FN）：诊断为没有，实际却有高血压。
这四种结局可以画成2 × 2的混淆矩阵
ROC空间
ROC空间将伪阳性率(FPR)定义为 X 轴，真阳性率(TPR)定义为 Y 轴。
给定二元分类模型和它的阈值，就能从所有样本的(阳性/阴性)真实值和预测值计算出(XFPR, YTPR) 座标点。
从 (0, 0) 到 (1,1) 的对角线将ROC空间划分为左上/右下两个区域，在这条线的以上的点代表了一个好的分类结果(胜过随机分类)，而在这条线以下的点代表了差的分类结果(劣于随机分类)。
完美的预测是在左上角的点，在ROC空间座标 (0,1)点，X0 代表着没有伪阳性，Y1 代表着没有伪阴性(所有的阳性都是真阳性)；也就是说，不管分类器输出结果是阳性或阴性，都是100%正确。一个随机的预测会得到位于从 (0, 0) 到 (1, 1) 对角线(也叫无识别率线)上的一个点；最直观的随机预测的例子就是抛硬币。
让我们来看在实际有100个阳性和100个阴性的案例时，四种预测方法(可能是四种分类器，或是同一分类器的四种阈值设定)的结果差异：
完整内容参见原文：人工智能_数据分析_信号_心理学_生物学等重要术语: ROC接收者操作特征曲线