| Signatur | Sichtbarkeit | Beschreibung |
SquareF64(x: f64): f64 | pub | Quadriert einen Float64-Wert |
AbsF64(x: f64): f64 | pub | Betrag eines Float64-Werts |
SqrtF64(x: f64): f64 | pub | Quadratwurzel für Float64 |
ExpF64(x: f64): f64 | pub | Exponentialfunktion e hoch x |
SigmoidF64(z: f64): f64 | pub | Sigmoid-Aktivierungsfunktion |
LogF64(x: f64): f64 | pub | Natürlicher Logarithmus |
NBLog(x: f64): f64 | pub | Logarithmus für Naive-Bayes |
LinearRegressionInit(): void | pub | Initialisiert lineare Regression |
LinearRegressionWeight(): f64 { return lr_weight; } | pub | Liest aktuelles Modellgewicht |
LinearRegressionBias(): f64 { return lr_bias; } | pub | Liest aktuellen Bias-Wert |
LinearRegressionLoss(): f64 { return lr_loss; } | pub | Liest letzten MSE-Verlust |
LinearRegressionEpochs(): int64 { return lr_epochs; } | pub | Liest Anzahl Trainings-Epochen |
LinearRegressionFit1( | pub | Trainiert mit einem Datenpunkt |
LinearRegressionFit2( | pub | Trainiert mit zwei Datenpunkten |
LinearRegressionFit( | pub | Trainiert mit Datenpunkten |
LinearRegressionFit8( | pub | Trainiert mit acht Datenpunkten |
LinearRegressionFitArrays(xData: int64, yData: int64, n: int64): void | pub | Trainiert mit Array-Datensatz |
LinearRegressionPredict(x: f64): f64 | pub | Sagt Wert für x vorher |
LogisticRegressionInit(): void | pub | Initialisiert logistische Regression |
LogisticRegressionWeight(): f64 { return logr_weight; } | pub | Liest aktuelles Modellgewicht |
LogisticRegressionBias(): f64 { return logr_bias; } | pub | Liest aktuellen Bias-Wert |
LogisticRegressionLoss(): f64 { return logr_loss; } | pub | Liest letzten Kreuzentropie-Verlust |
LogisticRegressionAccuracy(): f64 { return logr_accuracy; } | pub | Liest Klassifikationsgenauigkeit |
LogisticRegressionEpochs(): int64 { return logr_epochs; } | pub | Liest Anzahl Trainings-Epochen |
LogisticRegressionFit1( | pub | Trainiert mit einem Datenpunkt |
LogisticRegressionFit( | pub | Trainiert mit Datenpunkten |
LogisticRegressionFit8( | pub | Trainiert mit acht Datenpunkten |
LogisticRegressionFitArrays(xData: int64, yData: int64, n: int64, learningRate: f64, epochs: int64): void | pub | Trainiert mit Array-Datensatz |
LogisticRegressionPredictProb(x: f64): f64 | pub | Gibt Klassenwahrscheinlichkeit zurück |
LogisticRegressionPredict(x: f64): int64 | pub | Klassifiziert Eingabewert binär |
EuclideanDistance(x1: f64, y1: f64, x2: f64, y2: f64): f64 | pub | Euklidischer Abstand zweier Punkte |
Mean2(a: f64, b: f64): f64 { return (a + b) * 0.5; } | pub | Arithmetisches Mittel zweier Werte |
Variance2(a: f64, b: f64): f64 | pub | Varianz zweier Werte |
StdDev2(a: f64, b: f64): f64 { return SqrtF64(Variance2(a, b)); } | pub | Standardabweichung zweier Werte |
MSE2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64 | pub | MSE-Fehler für zwei Vorhersagen |
MAE2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64 | pub | MAE-Fehler für zwei Vorhersagen |
R2Score2(y_true0: f64, y_true1: f64, y_pred0: f64, y_pred1: f64): f64 | pub | R²-Score für zwei Vorhersagen |
KNNInit2(k: int64, x0: f64, x1: f64, y0: f64, y1: f64): void | pub | Initialisiert KNN mit zwei Punkten |
KNNPredict2(x: f64): int64 | pub | KNN-Vorhersage für zwei Klassen |
KNNInit(k: int64): void | pub | Initialisiert KNN-Klassifikator |
KNNGetK(): int64 { return knn_k; } | pub | Liest aktuellen K-Wert |
KNNGetNSamples(): int64 { return knn_n; } | pub | Liest Anzahl Trainings-Samples |
KNNFit(features: int64, labels: int64, n: int64, nFeatures: int64): void | pub | Trainiert KNN mit Datensatz |
KNNDistance(a: int64, b: int64, n: int64): f64 | pub | Euklidische Distanz zweier Vektoren |
KNNManhattanDistance(a: int64, b: int64, n: int64): f64 | pub | Manhattan-Distanz zweier Vektoren |
KNNFindNeighbors(query: int64, k: int64): int64 | pub | Findet k nächste Nachbarn |
KNNMajorityVote(neighborIndices: int64, k: int64): int64 | pub | Bestimmt Klasse per Mehrheitswahl |
KNNPredict(query: int64): int64 | pub | Klassifiziert einen Eingabevektor |
KNNScore(features: int64, labels: int64, n: int64): f64 | pub | Berechnet KNN-Genauigkeit auf Datensatz |
KMeansInit2(c0: f64, c1: f64): void | pub | Initialisiert K-Means mit zwei Zentroiden |
KMeansFit2(x0: f64, x1: f64, iterations: int64): void | pub | Trainiert K-Means mit zwei Punkten |
KMeansPredict(x: f64): int64 | pub | Weist Punkt einem Cluster zu |
KMeansCentroid0(): f64 { return km_centroid0; } | pub | Liest Position von Zentroid 0 |
KMeansCentroid1(): f64 { return km_centroid1; } | pub | Liest Position von Zentroid 1 |
KMeansInit(k: int64): void | pub | Initialisiert K-Means-Clustering |
KMeansGetK(): int64 { return km_k; } | pub | Liest Anzahl der Cluster |
KMeansGetIter(): int64 { return km_iter; } | pub | Liest Anzahl der Iterationen |
KMeansGetInertia(): f64 { return km_inertia; } | pub | Liest Inertia der Clusterung |
KMeansInitCentroids(features: int64, n: int64, nFeatures: int64, k: int64): void | pub | Setzt initiale Zentroiden-Positionen |
KMeansFit(features: int64, n: int64, nFeatures: int64, k: int64): void | pub | Führt K-Means-Clustering durch |
KMeansPredictCluster(point: int64): int64 | pub | Weist Vektor einem Cluster zu |
KMeansGetAssignments(): int64 { return km_assignments; } | pub | Liest Cluster-Zuweisungen zurück |
KMeansGetCentroids(): int64 { return km_centroids; } | pub | Liest alle Zentroiden-Positionen |
KMeansGetClusterSize(clusterIdx: int64): int64 | pub | Gibt Anzahl Punkte im Cluster |
KMeansGetCentroid(idx: int64, featureIdx: int64): f64 | pub | Liest Feature-Wert eines Zentroiden |
MinMaxNorm(x: f64, min: f64, max: f64): f64 | pub | MinMax-Normalisierung auf [0,1] |
MinMaxDenorm(x_norm: f64, min: f64, max: f64): f64 | pub | Denormalisiert MinMax-Wert |
ZScoreNorm(x: f64, mean: f64, stddev: f64): f64 | pub | Z-Score-Normalisierung |
TrainTestSplit(index: int64): int64 | pub | Teilt Index in Train/Test-Gruppen |
NaiveBayesInit(nClasses: int64, vocabSize: int64): void | pub | Initialisiert Naive-Bayes-Klassifikator |
NaiveBayesFit(documents: int64, docLengths: int64, labels: int64, n: int64): void | pub | Trainiert Naive-Bayes mit Texten |
NaiveBayesPredict(docWords: int64, docLen: int64): int64 | pub | Klassifiziert ein Dokument |
NaiveBayesGetWordCount(classIdx: int64, wordIdx: int64): f64 | pub | Liest Wortzähler je Klasse |
NaiveBayesGetClassCount(classIdx: int64): int64 | pub | Liest Dokumentanzahl je Klasse |
NaiveBayesScore(documents: int64, docLengths: int64, labels: int64, n: int64): f64 | pub | Berechnet Klassifikationsgenauigkeit |