کراس توثیق کوئز

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

1. معیاری k-fold کراس توثیق میں، ہر ڈیٹا پوائنٹ کو جانچ کے لیے کتنی بار استعمال کیا جاتا ہے؟
   • بالکل ایک بار
   • k بار
   • k-1 بار
   • یہ بے ترتیب بیج پر منحصر ہے۔
2. ایک ٹرین/ٹیسٹ اسپلٹ پر k-fold کراس توثیق کا بنیادی فائدہ کیا ہے؟
   • یہ ہمیشہ ماڈل کی درستگی کو بڑھاتا ہے۔
   • یہ عام کرنے کا زیادہ مستحکم، کم قسمت پر منحصر تخمینہ دیتا ہے۔
   • یہ ایک ٹیسٹ سیٹ کی ضرورت کو مکمل طور پر ہٹا دیتا ہے۔
   • یہ ماڈل ٹریننگ کو تیز کرتا ہے۔
3. Stratified k-fold کراس توثیق خاص طور پر مفید ہے جب:
   • ڈیٹاسیٹ بالکل متوازن ہے۔
   • ڈیٹا ایک ٹائم سیریز ہے۔
   • آپ کی کلاسوں میں توازن نہیں ہے اور آپ چاہتے ہیں کہ ہر فولڈ کلاس کا تناسب اسی طرح برقرار رکھے
   • آپ پورے ڈیٹاسیٹ پر ایک ساتھ تربیت کرنا چاہتے ہیں۔
4. Leave-one-out cross-validation (LOOCV) فولڈز کی تعداد k کے برابر سیٹ کرتا ہے:
   • 2
   • 10
   • خصوصیات کی تعداد
   • ڈیٹا سیٹ میں نمونوں کی تعداد
5. کراس توثیق کے دوران ڈیٹا کے رساو سے بچنے کے لیے، فیچر اسکیلنگ جیسے پری پروسیسنگ اقدامات یہ ہونے چاہئیں:
   • صرف ہر تربیتی فولڈ کے اندر فٹ کریں، پھر توثیق فولڈ پر لاگو کریں۔
   • فولڈز میں تقسیم ہونے سے پہلے مکمل ڈیٹاسیٹ پر فٹ کریں۔
   • مکمل طور پر چھوڑ دیا گیا۔
   • صرف توثیق کے تہوں پر کیا گیا۔
6. ٹائم سیریز کی پیشن گوئی کے لیے عام k-fold کراس توثیق کیوں نامناسب ہے؟
   • ٹائم سیریز میں بہت کم قطاریں ہیں۔
   • رینڈم فولڈز ماضی کی پیشین گوئی کے لیے استعمال ہونے والے ٹریننگ سیٹ میں مستقبل کے ڈیٹا کو رکھ سکتے ہیں۔
   • یہ ٹائم سیریز کے لیے بہت تیز ہے۔
   • ٹائم سیریز کو ہر گز تقسیم نہیں کیا جا سکتا
7. What is the purpose of nested cross-validation?
   • It makes every model use the same hyperparameters
   • It lets preprocessing use the full dataset before splitting
   • It separates hyperparameter selection from an outer evaluation of the selected procedure
   • It removes the need for held-out evaluation
8. Which fold counts are common starting choices for k-fold cross-validation?
   • Exactly two folds in every problem
   • One fold regardless of sample size
   • One thousand folds for every dataset
   • Five or ten folds