विसंगति का पता लगाने की प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. विसंगति का पता लगाने वाले मॉडल को अक्सर लेबल वाली विसंगतियों के बजाय 'सामान्य' डेटा पर प्रशिक्षित क्यों किया जाता है?
   • सामान्य डेटा को लेबल करना अवैध है
   • मॉडल विसंगतियों को बिल्कुल भी संसाधित नहीं कर सकते
   • सामान्य डेटा के लिए किसी गणना की आवश्यकता नहीं होती है
   • विसंगतियाँ दुर्लभ हैं और लेबल किए गए उदाहरण दुर्लभ हैं
2. एक पृथक वन किसी विसंगति की पहचान कैसे करता है?
   • विसंगतियों को कम यादृच्छिक विभाजनों में अलग किया जाता है, जिससे पथ की लंबाई कम हो जाती है
   • विसंगतियों को अलग करने के लिए कई यादृच्छिक विभाजनों की आवश्यकता होती है
   • यह प्रत्येक डेटा बिंदु के रंग को मापता है
   • यह पहले उनके लेबल द्वारा बिंदुओं को समूहित करता है
3. जब विसंगति का पता लगाने के लिए ऑटोएन्कोडर का उपयोग किया जाता है, तो विसंगति का संकेत क्या होता है?
   • कम पुनर्निर्माण त्रुटि
   • अपरिचित इनपुट पर उच्च पुनर्निर्माण त्रुटि
   • एक तेज़ प्रशिक्षण समय
   • नेटवर्क में अधिक परतें
4. स्थानीय बाह्य कारक विधि मुख्य रूप से किस पर निर्भर करती है?
   • सुविधाओं का वर्णानुक्रमिक क्रम
   • डेटासेट का कुल फ़ाइल आकार
   • किसी दिए गए बिंदु के चारों ओर बिंदुओं का घनत्व
   • ज्ञात धोखाधड़ी मामलों की एक निश्चित सूची
5. तैनात विसंगति का पता लगाने वाली प्रणालियों के लिए एक यथार्थवादी चुनौती कौन सी है?
   • विसंगतियाँ समय के साथ कभी नहीं बदलतीं
   • सामान्य डेटा हमेशा पूरी तरह से लेबल किया जाता है
   • आउटलेयर हमेशा अधिकांश डेटा होते हैं
   • 'सामान्य' की परिभाषा भटक सकती है, जिसके लिए अनुकूलन की आवश्यकता है
6. कौन सा एप्लिकेशन विसंगति का पता लगाने का क्लासिक उपयोग है?
   • धोखाधड़ी वाले क्रेडिट कार्ड लेनदेन का पता लगाना
   • फ़ोटो को वर्णानुक्रम में क्रमबद्ध करना
   • भाषाओं के बीच पाठ का अनुवाद करना
   • वीडियो फ़ाइलों को संपीड़ित करना
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation