کلاس میں عدم توازن اور دوبارہ نمونہ لینے والا کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. انتہائی غیر متوازن درجہ بندی کے مسئلے کے لیے سادہ درستگی ایک ناقص میٹرک کیوں ہے؟
   • ایک ماڈل ہمیشہ اکثریتی طبقے کی پیشن گوئی کرکے بہت زیادہ اسکور کرسکتا ہے۔
   • جب کلاسوں میں عدم توازن ہوتا ہے تو درستگی کا حساب نہیں لگایا جا سکتا
   • درستگی صرف رجعت کے لیے کام کرتی ہے۔
   • اس کی وضاحت کے لیے بالکل متوازن ڈیٹا کی ضرورت ہے۔
2. SMOTE کیا کرتا ہے؟
   • اکثریتی طبقے کے نمونے بے ترتیب طور پر حذف کرتا ہے۔
   • پڑوسیوں کے درمیان مداخلت کرکے مصنوعی اقلیتی نمونے تیار کرتا ہے۔
   • نایاب کلاسوں کے لیے سیکھنے کی شرح کو بڑھاتا ہے۔
   • درجہ بندی کے مسئلے کو رجعت میں تبدیل کرتا ہے۔
3. تربیت کی مثالوں کی تعداد کو تبدیل کیے بغیر کون سا نقطہ نظر عدم توازن کو سنبھالتا ہے؟
   • بے ترتیب اوور سیمپلنگ
   • اکثریت کو کم کرنا
   • نقصان کے فنکشن میں کلاس کا وزن
   • SMOTE
4. اپنے ڈیٹا کو ٹرین اور ٹیسٹ سیٹ میں تقسیم کرنے سے پہلے اوور سیمپلنگ لگانے کا اہم خطرہ کیا ہے؟
   • یہ تربیت کو سست بناتا ہے۔
   • یہ اکثریتی طبقے کو حذف کر دیتا ہے۔
   • یہ ہمیشہ انڈر فٹنگ کا سبب بنتا ہے۔
   • ڈپلیکیٹ یا مصنوعی اقلیتی پوائنٹس ٹیسٹ سیٹ میں لیک ہو سکتے ہیں، اسکور کو بڑھاتے ہیں۔
5. بے ترتیب انڈر سیمپلنگ کا بنیادی نقصان کیا ہے؟
   • یہ ممکنہ طور پر مفید اکثریتی طبقے کے ڈیٹا کو مسترد کرتا ہے۔
   • یہ جعلی ڈیٹا بناتا ہے جو غیر حقیقی ہو سکتا ہے۔
   • یہ صرف تصویری ڈیٹا کے لیے کام کرتا ہے۔
   • یہ ہمیشہ تربیت کا وقت بڑھاتا ہے۔
6. نادر-مثبت ڈیٹا پر ماڈل کا جائزہ لینے کے لیے کون سا میٹرک زیادہ مناسب ہے؟
   • مجموعی طور پر درستگی
   • Precision-Recall AUC یا F1 سکور
   • مربع غلطی کا مطلب
   • تربیتی دوروں کی تعداد
7. What does adjusting the decision threshold after training change?
   • The number of features in the model
   • The class proportions in the training data
   • The trade-off between which examples are labeled positive and negative without changing the training examples
   • The model’s learned weights automatically
8. Which metric does the guide name as an additional option for rare-positive classification?
   • Mean squared error only
   • BLEU score
   • Silhouette coefficient
   • Matthews Correlation Coefficient (MCC)