Naive Bayes Classifiers کوئز

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

1. Naive Bayes درجہ بندی میں بنیادی 'بولی' مفروضہ کیا ہے؟
   • کلاس کو دیکھتے ہوئے خصوصیات مشروط طور پر آزاد ہیں۔
   • کلاسوں کا بھی اتنا ہی امکان ہے۔
   • تمام خصوصیات مسلسل اور عام طور پر تقسیم ہوتی ہیں۔
   • ڈیٹاسیٹ بالکل متوازن ہے۔
2. Naive Bayes کس تھیوریم پر بنایا گیا ہے؟
   • مرکزی حد نظریہ
   • Bayes’ theorem
   • بڑی تعداد کا قانون
   • The Cauchy-Schwarz inequality
3. عمل درآمد عام طور پر خام امکانات کو ضرب دینے کے بجائے لاگ امکانات کو کیوں جمع کرتے ہیں؟
   • ماڈل کو نان لائنر بنانے کے لیے
   • ایک ہی پاس تک تربیت کو تیز کرنا
   • عددی زیر بہاؤ کو بہت سے چھوٹے اعداد کو ضرب دینے سے بچنے کے لیے
   • خصوصیت کی آزادی کو نافذ کرنے کے لیے
4. لاپلیس (ایڈ-ون) ہموار کرنے سے کون سا مسئلہ حل ہوتا ہے؟
   • یہ کلاس کے سائز کو متوازن کرتا ہے۔
   • یہ مسلسل خصوصیات کو معمول بناتا ہے۔
   • یہ متعلقہ خصوصیات کو ہٹاتا ہے۔
   • یہ ایک اندیکھی خصوصیت کو صفر کے امکان کو مجبور کرنے سے روکتا ہے۔
5. دستاویزات میں الفاظ کی گنتی کی خصوصیات کے لیے کون سا Naive Bayes ویرینٹ سب سے زیادہ قدرتی ہے؟
   • کثیر النوع بولی Bayes
   • Gaussian Naive Bayes
   • برنولی نائیو بیز
   • لکیری بولی Bayes
6. Why might Naive Bayes be useful as a lightweight baseline?
   • یہ کسی بھی ڈیٹاسیٹ پر بہترین درستگی کی ضمانت دیتا ہے۔
   • یہ تیز، قابل تشریح ہے، اور بہت کم ڈیٹا کے ساتھ اچھی طرح کام کرتا ہے۔
   • یہ خود بخود خصوصیت کے تعاملات سیکھتا ہے۔
   • اس کے لیے کسی تربیتی ڈیٹا کی ضرورت نہیں ہے۔
7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
   • A uniform distribution over every possible value
   • A multinomial distribution over word counts
   • A Gaussian (normal) distribution
   • A distribution that is always exactly zero
8. Which feature representation fits Bernoulli Naive Bayes most naturally?
   • The number of times each word occurs
   • A continuous pixel intensity modeled by a normal curve
   • A sequence of audio frames
   • Whether each word is present or absent in a document