امکان کیلیبریشن کوئز

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

1. ایک ماڈل کو اچھی طرح سے کیلیبریٹ کیا جاتا ہے اگر پیشین گوئیوں کے درمیان یہ 80 فیصد پر اعتماد لیبل لگاتا ہے، واقعہ پیش آتا ہے:
   • تقریباً 80% وقت
   • 100% وقت
   • تقریباً 20% وقت
   • بالکل ایک بار
2. درجہ حرارت کا پیمانہ نیورل نیٹ ورک کے آؤٹ پٹس سے کیا کرتا ہے؟
   • تبدیلیاں جس کلاس کی پیش گوئی کی گئی ہے۔
   • softmax سے پہلے ایک سیکھے ہوئے اسکیلر کے ذریعے لاگٹس کو تقسیم کرتا ہے، اعتماد کو ایڈجسٹ کرتا ہے۔
   • تربیتی لیبلز میں شور شامل کرتا ہے۔
   • نیٹ ورک کو شروع سے دوبارہ تربیت دیتا ہے۔
3. وشوسنییتا ڈایاگرام پلاٹ کیا کرتا ہے؟
   • دور کے مقابلے میں تربیت کا نقصان
   • ماڈل سائز بمقابلہ درستگی
   • پیش گوئی شدہ امکان بمقابلہ مشاہدہ تعدد
   • سیکھنے کی شرح بمقابلہ بیچ سائز
4. متوقع کیلیبریشن ایرر (ECE) اقدامات:
   • ماڈل کی ٹاپ 1 درستگی
   • ماڈل میں پیرامیٹرز کی تعداد
   • میلان کا تغیر
   • ڈبوں میں اعتماد اور درستگی کے درمیان وزنی اوسط کا فرق
5. جدید گہرے اعصابی نیٹ ورکس کو اکثر اس طرح بیان کیا جاتا ہے:
   • حد سے زیادہ پر اعتماد
   • بے اعتمادی
   • پہلے سے طے شدہ طور پر مکمل طور پر کیلیبریٹڈ
   • امکانات کو آؤٹ پٹ کرنے سے قاصر
6. ایک انتہائی درست ماڈل کو اب بھی انشانکن کی ضرورت کیوں ہو سکتی ہے؟
   • درست ماڈلز میں ہمیشہ صفر کیلیبریشن کی خرابی ہوتی ہے۔
   • درستگی اور انشانکن الگ خصوصیات ہیں۔
   • کیلیبریشن صرف رجعت کے لیے اہمیت رکھتی ہے۔
   • درستگی ایماندارانہ امکانات کی ضمانت دیتی ہے۔
7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
   • The final test set using classification accuracy
   • Only the training labels without model outputs
   • A held-out validation set using negative log-likelihood
   • The model’s hidden weights using mean squared error
8. Why can temperature scaling improve calibration without changing top-1 accuracy?
   • It changes the model’s predicted class labels randomly
   • It retrains the feature extractor
   • It replaces every logit with the same value
   • Dividing logits by a positive scalar changes confidence but preserves their ordering