GenderAPI.io V2 JSON yanıtları ve güven skoru

JSON yanıtını anlayın

Başarılı tekli yanıt data ve meta içerir. Aşağıdaki veri kümesi örneği, 1 Ekim 2026'da API anahtarıyla alınmış gerçek bir yanıttır; yalnızca hesap bakiyesi değiştirilmiştir. Ölçülmüş ürün doğruluğunu göstermez ve canlı bir istek farklı bir sonuç döndürebilir. API anahtarlı isteklerde access.mode: api_key döner ve yalnızca denemeye ait kota alanları null olur; IP denemesi isteklerinde deneme limiti ve sıfırlanma zamanıyla birlikte ip_trial döner.

{
  "data": {
    "input": {
      "type": "name",
      "value": "Elif",
      "country": "TR"
    },
    "name": "elif",
    "gender": "female",
    "country": "TR",
    "confidence": 0.9896548693676163,
    "confidence_kind": "observed_frequency",
    "sample_count": 79651,
    "source": "dataset",
    "result_status": "identified",
    "reason": null,
    "country_source": "dataset",
    "match": {
      "name": "elif",
      "method": "normalized",
      "scope": "country",
      "country": "TR"
    }
  },
  "meta": {
    "request_id": "d570b038-4085-4ae3-ba10-50b54721e518",
    "duration_ms": 26,
    "access": {
      "mode": "api_key",
      "reason": null
    },
    "usage": {
      "charged_credits": 1,
      "remaining_credits": 49999,
      "billing_status": "confirmed",
      "resets_at": null,
      "limit": null,
      "period_seconds": null
    }
  }
}

• Tam yanıt şemaları ve toplu örnekler

Tahmin yanıtı alanları

Yanıtta dönen girdi alanları

Veri kümesi eşleşme alanları

Erişim, ücretlendirme ve istek bilgileri

Başarıyla tamamlanan belirsiz sonuç

HTTP 200, işlemin tamamlandığını gösterir; cinsiyet bulunmasını garanti etmez. JSON null değerini male, female, boş metin veya sıfır güven skoruna çevirmeyin. data.result_status ve data.reason alanlarını HTTP hatalarından ayrı değerlendirin.

Yalnızca veri kümesini kullanan ve 1 Ekim 2026'da alınmış bu gerçek örnek source: none ve reason: not_found döndürür; yine de 1 kredidir. Eşit dağılımlı kayıtta reason: ambiguous dönebilir ve sample_count korunur. Belirsiz yapay zekâ sonucunda source: ai ve reason: insufficient_evidence kullanılır.

{
  "data": {
    "input": {
      "type": "name",
      "value": "zzzxxyy",
      "country": null
    },
    "name": null,
    "gender": null,
    "country": null,
    "confidence": null,
    "confidence_kind": null,
    "sample_count": null,
    "source": "none",
    "result_status": "unknown",
    "reason": "not_found",
    "country_source": null,
    "match": {
      "name": null,
      "method": null,
      "scope": null,
      "country": null
    }
  },
  "meta": {
    "request_id": "54fdcd4e-f8bc-4224-918f-3a5732e08b9c",
    "duration_ms": 10,
    "access": {
      "mode": "api_key",
      "reason": null
    },
    "usage": {
      "charged_credits": 1,
      "remaining_credits": 49999,
      "billing_status": "confirmed",
      "resets_at": null,
      "limit": null,
      "period_seconds": null
    }
  }
}

Güven skoru ve eşleşme kanıtını yorumlama

0.9 güven skoru, 0–1 ölçeğindedir. observed_frequency için baskın sayının seçilen veri kümesi toplamına oranıdır; uçtan uca ölçülmüş ürün doğruluğu değildir. model_reported, yapay zekânın verdiği ve veri kümesi frekanslarına göre kalibre edilmemiş puandır.

Uygulama eşiğinizi kendi değerlendirme verileriniz ve confidence_kind ile belirleyin. Veri kümesi ve yapay zekâ skorlarını aynı şeyi ölçüyormuş gibi sıralamayın. Yapay zekâda veri kümesi kaydı seçilmediğinden match.name, match.scope ve match.country null; match.method ise model_inference olur.

Tam ad sorgusunda sonuç, bütün metin yerine bir bileşenden gelebilir. data.input gönderilen değeri, data.name dönen adı, data.match ise adayı ve sorgu kapsamını gösterir.

Sonuca göre uygulamanızın ne yapacağını belirleyin

Önce istek ve öğe hatalarını işleyin, ardından result_status alanını okuyun. Tekli tahminde data nesnesini; toplu sorguda başarıyla tamamlanan her öğenin data nesnesini değerlendirin. unknown sonuçlarını zorunlu olarak male veya female değerine dönüştürmeyin.

• İşlem hatalarını unknown sonuçlarından ayırma
• Bu kuralları toplu sorguda uygulama

Güven eşiğini kendi değerlendirme verilerinizle belirleyin

Bir tahmini doğru kılacak evrensel bir güven eşiği yoktur. observed_frequency ve model_reported skorlarını, kullanımınızı temsil eden ve referans etiketleri bağımsız olarak belirlenmiş örneklerde ayrı ayrı değerlendirin. Veri kümesindeki dağılım oranı ile modelin bildirdiği skor, ikisi de 0.9 olsa bile farklı sinyallerdir. Kurallarınızın kaç girdide tahmin kabul ettiğini ve kabul edilen tahminlerin ne kadarının doğru olduğunu ölçün. Diğer girdiler için unknown veya inceleme seçeneğini koruyun.

Örneğin result_status identified, confidence_kind model_reported ise veri kümesi eşiği yerine değerlendirdiğiniz yapay zekâ kurallarını uygulayın. forceToGenderize kullanıldığında name: null ile birlikte dolu bir gender değeri geçerlidir; gerçek bir ön ad çıkarılmadan rumuzdan tahmin yapılabilir. Tahmin bulunup bulunmadığını yalnızca name ile değil, gender ve result_status alanlarıyla belirleyin. Sonuç bir tahmindir; kişinin kimliğini doğrulamaz.

• Değerlendirme ölçütleri ve güven skorunun sınırları
• Veri kümesi profili ve kanıtların sınırları
• Rumuz analizi ve null ad değerleri

İlgili rehberler

• Toplu yanıt ve öğe düzeyindeki hatalar
• Ücretlendirme durumu ve kalan krediler
• Yanıt uyumluluğu ve yeniden denemeler