رسمی پیشن گوئی کوئز

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

1. سنگل لیبل کے بجائے کنفارمل پیشن گوئی کا طریقہ کیا آؤٹ پٹ کرتا ہے؟
   • کوریج کی ضمانت کے ساتھ پیشین گوئی سیٹ یا وقفہ
   • اعلی درستگی کے ساتھ دوبارہ تربیت یافتہ ماڈل
   • بغیر کسی غیر یقینی کے ایک پوائنٹ کا تخمینہ
   • تربیتی سیٹ کے لیے نقصان کی قدر
2. کون سا مفروضہ معیاری کنفارمل کوریج گارنٹی کو کم کرتا ہے؟
   • ماڈل ایک نیورل نیٹ ورک ہے۔
   • ڈیٹا پوائنٹس قابل تبادلہ ہیں۔
   • خصوصیات ایک دوسرے سے آزاد ہیں۔
   • لیبل بالکل متوازن ہیں۔
3. انشانکن سیٹ کا کیا کردار ہے؟
   • بنیادی ماڈل کو تربیت دینے کے لیے
   • سیکھنے کی شرح کو منتخب کرنے کے لئے
   • غیر موافقت کے اسکور کی گنتی کرنے کے لیے جو حد مقرر کرتے ہیں۔
   • تربیت کے اعداد و شمار سے outliers کو ہٹانے کے لئے
4. اگر آپ الفا = 0.1 سیٹ کرتے ہیں، تو آپ کس کوریج کو نشانہ بنا رہے ہیں؟
   • 10%
   • 50%
   • 99%
   • 90%
5. عام طور پر پیشین گوئی سیٹ کا کیا ہوتا ہے جب ماڈل کسی ان پٹ کے بارے میں بہت غیر یقینی ہوتا ہے؟
   • سیٹ بڑا ہوتا ہے، جس میں زیادہ امیدوار لیبل ہوتے ہیں۔
   • سیٹ خالی ہو جاتا ہے۔
   • دہلیز کو نظر انداز کر دیا گیا ہے۔
   • ماڈل خود بخود دوبارہ تربیت یافتہ ہے۔
6. رسمی پیشین گوئی کو 'تقسیم سے پاک' کیوں کہا جاتا ہے؟
   • یہ صرف Gaussian ڈیٹا پر کام کرتا ہے۔
   • اس کی کوریج کی گارنٹی کے لیے ڈیٹا کی تقسیم کے بارے میں کسی پیرامیٹرک مفروضے کی ضرورت نہیں ہے۔
   • یہ ڈیٹا کی تقسیم کو مکمل طور پر رد کر دیتا ہے۔
   • یہ یکساں تقسیم فرض کرتا ہے۔
7. A split-conformal classifier has 99 calibration examples and targets 90% marginal coverage. Which rank is used for the calibration quantile?
   • The 10th ordered score
   • The 99th score only
   • The 90th ordered calibration score (ceil((99+1) × 0.9))
   • The average of all labels
8. In classification, what can a nonconformity score such as 1 minus the candidate label probability represent?
   • تربیتی دوروں کی تعداد
   • The probability that the calibration set is exchangeable
   • The class frequency in the test set
   • How poorly the model supports that candidate label for the example