API de métriques de classifieur
Mathématiques d'évaluation de classifieur sous forme d'API, calculées localement et de manière déterministe. Le point d'accès confusion transforme les quatre cellules d'une matrice de confusion binaire — vrais et faux positifs et négatifs — en la suite complète de métriques : exactitude, précision, rappel (sensibilité), spécificité, score F1, coefficient de corrélation de Matthews (robuste au déséquilibre des classes), exactitude équilibrée, valeur prédictive négative, taux de faux positifs et de faux négatifs et prévalence. Le point d'accès diagnostic applique le théorème de Bayes à un test médical ou de dépistage : à partir de sa sensibilité, spécificité et prévalence (probabilité pré-test), il donne les valeurs prédictives positive et négative, les rapports de vraisemblance positif et négatif et le rapport de cotes diagnostique. Le point d'accès fbeta calcule le score Fβ à partir de la précision et du rappel (ou des comptes bruts) pour tout β — β = 1 donne F1, un β plus grand pondère le rappel, un β plus petit pondère la précision. Les métriques dont le dénominateur est nul sont renvoyées comme null plutôt qu'une erreur. Tout est calculé localement et de manière déterministe, donc c'est instantané et privé. Idéal pour les développeurs d'applications d'apprentissage automatique, de science des données, de tests médicaux et d'analytique, les outils d'évaluation de modèles et de dépistage, et l'enseignement des statistiques. Calcul local pur — pas de clé, pas de service tiers, instantané. En direct, rien n'est stocké. 3 points d'accès. Ceci est une évaluation de classifieur ; pour les statistiques descriptives et la régression, utilisez une API de statistiques et pour les tests d'hypothèses, une API d'inférence.
api.oanor.com/classifier-api
