Classifier Metrics API

Klassifikator-Bewertungsmathematik als API, lokal und deterministisch berechnet. Der Confusion-Endpunkt wandelt die vier Zellen einer binären Konfusionsmatrix – wahre und falsche Positive und Negative – in die vollständige Metrik-Suite um: Genauigkeit, Präzision, Recall (Sensitivität), Spezifität, den F1-Score, den Matthews-Korrelationskoeffizienten (robust gegenüber Klassenungleichgewicht), balancierte Genauigkeit, negativen Vorhersagewert, die Falsch-Positiv- und Falsch-Negativ-Raten sowie die Prävalenz. Der Diagnostic-Endpunkt wendet das Bayes-Theorem auf einen medizinischen oder Screening-Test an: Aus seiner Sensitivität, Spezifität und der Prävalenz (Wahrscheinlichkeit vor dem Test) liefert er die positiven und negativen Vorhersagewerte, die positiven und negativen Likelihood-Quotienten und die diagnostische Odds-Ratio. Der Fbeta-Endpunkt berechnet den Fβ-Score aus Präzision und Recall (oder aus den Rohzahlen) für jedes β – β = 1 ist F1, größeres β gewichtet Recall, kleineres β gewichtet Präzision. Metriken, deren Nenner Null ist, werden als null zurückgegeben, anstatt einen Fehler zu verursachen. Alles wird lokal und deterministisch berechnet, daher ist es sofort und privat. Ideal für Entwickler von Machine-Learning-, Data-Science-, medizinischen Test- und Analyse-Apps, Modellbewertungs- und Screening-Tools sowie für die Statistikausbildung. Reine lokale Berechnung – kein Schlüssel, kein Drittanbieter-Dienst, sofort. Live, nichts wird gespeichert. 3 Endpunkte. Dies ist die Klassifikator-Bewertung; für deskriptive Statistiken und Regression verwenden Sie eine Statistik-API und für Hypothesentests eine Inferenz-API.