Classifier Metrics API
Classifier-evaluatie wiskunde als een API, lokaal en deterministisch berekend. Het confusion-eindpunt zet de vier cellen van een binaire verwarringsmatrix — true en false positieven en negatieven — om in de volledige metrische suite: nauwkeurigheid, precisie, recall (sensitiviteit), specificiteit, de F1-score, de Matthews correlatiecoëfficiënt (robuust tegen klasse-onbalans), gebalanceerde nauwkeurigheid, negatief voorspellende waarde, de fout-positieve en fout-negatieve percentages en de prevalentie. Het diagnostische eindpunt past de stelling van Bayes toe op een medische of screeningstest: vanuit de sensitiviteit, specificiteit en prevalentie (pre-test waarschijnlijkheid) geeft het de positief en negatief voorspellende waarden, de positieve en negatieve waarschijnlijkheidsratio's en de diagnostische odds ratio. Het fbeta-eindpunt berekent de Fβ-score uit precisie en recall (of uit de ruwe aantallen) voor elke β — β = 1 is F1, grotere β weegt recall zwaarder, kleinere β weegt precisie zwaarder. Metrieken waarvan de noemer nul is, worden geretourneerd als null in plaats van een fout. Alles wordt lokaal en deterministisch berekend, dus het is onmiddellijk en privé. Ideaal voor machine-learning, data science, medische test- en analyse-app-ontwikkelaars, modelevaluatie en screeningtools, en statistiekonderwijs. Pure lokale berekening — geen sleutel, geen externe service, onmiddellijk. Live, niets opgeslagen. 3 eindpunten. Dit is classificatorevaluatie; voor beschrijvende statistiek en regressie gebruik je een statistiek-API en voor hypothesetests een inferentie-API.
api.oanor.com/classifier-api
