Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है • Muft Shiksha™ एक 100% Free Education Portal है 🇮🇳, जिसका उद्देश्य Class 9–12 के हर विद्यार्थी तक High-Quality Education को पूरी तरह मुफ्त पहुँचाना है। 🇮🇳 हम मानते हैं कि अच्छी शिक्षा किसी student की आर्थिक स्थिति पर निर्भर नहीं होनी चाहिए। 🇮🇳 हर विद्यार्थी को वही Quality Study Material, MCQs, Quizzes, Exam Preparation, Concept-Based Learning और Bilingual Support मिलना चाहिए, जो आमतौर पर महंगी Coaching या Premium Platforms में मिलता है। Muft Shiksha™ 🇮🇳 इसी सोच के साथ बनाया गया है
A. लोगों की अनुमति लेकर जानकारी लेना/Collecting information with people's consent
Explanation
Simple Explanation
लोगों की स्पष्ट अनुमति लेकर जानकारी एकत्र करना नैतिक आंकड़ा अधिग्रहण का मूल उदाहरण है, क्योंकि इससे व्यक्ति को पता रहता है कि उसकी जानकारी ली जा रही है। विकल्प B में गोपनीयता का उल्लंघन होता है, जबकि C में स्रोत की पारदर्शिता नहीं रहती और D में जानबूझकर गलत आंकड़े जोड़े जाते हैं। परीक्षा में याद रखें: आंकड़े एकत्र करते समय सहमति, गोपनीयता और पारदर्शिता महत्वपूर्ण नैतिक सिद्धांत हैं। / Collecting information with people’s informed consent is a basic example of ethical data acquisition because individuals know that their data is being collected. Option B violates privacy, option C lacks transparency about the data source, and option D introduces deliberately false data. Exam tip: remember consent, privacy, and transparency as key ethical principles when acquiring data.
A. स्रोत प्रसिद्ध, प्रमाणित और अद्यतन हो/The source is known, verified, and up to date
Explanation
Simple Explanation
विश्वसनीय स्रोत सामान्यतः किसी पहचाने गए लेखक या संस्था से जुड़ा होता है, प्रमाणित जानकारी देता है और समय-समय पर अद्यतन किया जाता है। इसलिए प्रसिद्ध, प्रमाणित और अद्यतन स्रोत सबसे उपयुक्त विकल्प है। बिना लेखक या तारीख वाले स्रोत तथा अफवाह-आधारित दावे विश्वसनीयता की जाँच में कमजोर संकेत हैं। परीक्षा-टिप: स्रोत की प्रामाणिकता, अद्यतनता और संदर्भ अवश्य जाँचें। / A reliable source is usually associated with an identifiable author or organization, provides verified information, and is updated when needed. Therefore, a known, verified, and up-to-date source is the best choice. A source without author or date details, or one based on rumors, provides weak evidence of reliability. Exam tip: Check the source’s authority, currency, and supporting references.
A. प्रतिरूप बड़े समूह की ओर झुक सकता है/The model may lean toward the larger group
Explanation
Simple Explanation
असंतुलित आंकड़ों में एक वर्ग के उदाहरण दूसरे वर्गों की तुलना में बहुत अधिक होते हैं। इससे प्रतिरूप बड़े वर्ग के पैटर्न को अधिक सीख सकता है और छोटे वर्ग की सही पहचान कम कर सकता है। इसलिए केवल कुल सटीकता पर निर्भर न रहकर प्रत्येक वर्ग के प्रदर्शन की जाँच करनी चाहिए। / In imbalanced data, examples from one class greatly outnumber those from other classes. As a result, the model may learn the larger class more strongly and identify the smaller class less accurately. Therefore, performance should be checked for each class rather than relying only on overall accuracy.
A. क्योंकि वे विश्लेषण और मॉडल के प्रशिक्षण को प्रभावित कर सकते हैं/Because they can affect analysis and model training
Explanation
Simple Explanation
अधूरे मानों में आवश्यक जानकारी गायब होती है, इसलिए वे विश्लेषण के परिणामों और मशीन लर्निंग मॉडल के प्रशिक्षण को प्रभावित कर सकते हैं। उन्हें हटाना, उपयुक्त मान से भरना या अलग तरीके से चिह्नित करना डेटा और स्थिति पर निर्भर करता है। विकल्प B गलत है, क्योंकि अधूरा मान अपने-आप सटीक नहीं होता। परीक्षा टिप: डेटा सफाई का उद्देश्य डेटा की गुणवत्ता और विश्वसनीयता सुधारना है। / Missing values represent absent information, so they can distort analysis and affect the training of a machine-learning model. Depending on the dataset and context, they may be removed, replaced with suitable values, or marked for separate handling. Option B is incorrect because a missing value is not automatically accurate. Exam tip: Data cleaning aims to improve data quality and reliability.
A. आंकड़ों को विश्लेषण या मॉडल के लिए उपयुक्त रूप में बदलने के लिए/To convert data into a suitable form for analysis or modeling
Explanation
Simple Explanation
आंकड़ा रूपांतरण में कच्चे आंकड़ों को ऐसे रूप में बदला जाता है जिसे विश्लेषण या मशीन लर्निंग मॉडल आसानी से उपयोग कर सके, जैसे मापनीकरण, एन्कोडिंग या प्रारूप बदलना। इसलिए विकल्प A सही है। विकल्प B में आंकड़े हटाए जाते हैं, जबकि रूपांतरण का उद्देश्य उपयोगिता बढ़ाना होता है। परीक्षा टिप: रूपांतरण को डेटा प्रीप्रोसेसिंग की उस प्रक्रिया के रूप में याद रखें जो मॉडल के लिए आंकड़ों को तैयार करती है। / Data transformation changes raw data into a form that can be used effectively for analysis or by a machine learning model, such as through scaling, encoding, or format conversion. Therefore, option A is correct. Option B describes deleting data, whereas transformation aims to make data more useful. Exam tip: Remember transformation as a data-preprocessing step that prepares data for a model.
A. महत्वपूर्ण विशेषताओं को चुनकर मॉडल को अधिक प्रभावी बनाना/To make the model more effective by selecting important features
Explanation
Simple Explanation
विशेषता चयन में डेटा की सभी विशेषताओं में से वे महत्वपूर्ण विशेषताएँ चुनी जाती हैं जो मॉडल के प्रदर्शन में सहायक होती हैं। इससे अनावश्यक या अप्रासंगिक जानकारी कम होती है, मॉडल सरल बनता है और कई बार उसकी सटीकता तथा प्रशिक्षण गति बेहतर होती है। विकल्प B गलत है क्योंकि सभी विशेषताएँ रखना विशेषता चयन का उद्देश्य नहीं है। परीक्षा टिप: feature selection का संबंध उपयोगी विशेषताएँ चुनने और dimensionality कम करने से है। / Feature selection identifies the most relevant attributes from the available data so that the model can learn more effectively. Removing irrelevant or redundant features can simplify the model and may improve its accuracy and training speed. Option B is incorrect because retaining every feature is the opposite of selection. Exam tip: associate feature selection with choosing useful features and reducing dimensionality.
A. मकान की कीमत का अनुमान/Estimated price of a house
Explanation
Simple Explanation
प्रतिगमन मॉडल किसी निरंतर संख्यात्मक मान का अनुमान लगाता है। मकान की कीमत रुपये में एक संख्यात्मक मान होती है, इसलिए यह सही परिणाम है। अन्य विकल्प श्रेणियाँ या लेबल हैं, इसलिए वे वर्गीकरण से संबंधित हैं। परीक्षा-युक्ति: संख्यात्मक या निरंतर परिणाम के लिए प्रतिगमन और श्रेणी/लेबल वाले परिणाम के लिए वर्गीकरण चुनें। / A regression model predicts a continuous numerical value. The estimated price of a house is expressed as a numerical amount, so it is the correct output. The other options are categories or labels and therefore represent classification tasks. Exam tip: choose regression for numerical or continuous outcomes and classification for category-based outcomes.
यह स्थिति अधिक सीख जाने (overfitting) का संकेत है। प्रतिरूप प्रशिक्षण आंकड़ों की विशेषताओं, यहाँ तक कि उनके शोर, को भी याद कर लेता है, इसलिए प्रशिक्षण सटीकता बहुत अधिक रहती है लेकिन नए परीक्षण आंकड़ों पर प्रदर्शन घट जाता है। पूर्ण सामान्यीकरण में प्रशिक्षण और परीक्षण प्रदर्शन अपेक्षाकृत समान होते हैं। परीक्षा-युक्ति: प्रशिक्षण और परीक्षण सटीकता के बड़े अंतर को देखते ही overfitting पर विचार करें। / This pattern indicates overfitting. The model learns the training examples, including their noise or accidental patterns, too closely, so its training accuracy is very high while its performance on unseen test data falls. With good generalization, training and test performance are comparatively similar. Exam tip: A large gap between training and test accuracy is a common sign of overfitting.
कम सीखने (Underfitting) में प्रतिरूप प्रशिक्षण आँकड़ों के पैटर्न को भी पर्याप्त रूप से नहीं सीख पाता, इसलिए प्रशिक्षण और परीक्षण दोनों आँकड़ों पर इसका प्रदर्शन कमजोर रहता है। अधिक सीखना (Overfitting) होने पर प्रशिक्षण परिणाम सामान्यतः अच्छा, लेकिन परीक्षण परिणाम कमजोर होता है। परीक्षा-युक्ति: दोनों पर कम प्रदर्शन दिखे तो Underfitting, जबकि केवल परीक्षण पर कम प्रदर्शन दिखे तो Overfitting पर विचार करें। / In underfitting, the model fails to learn the patterns in the training data adequately, so its performance is poor on both the training and testing data. In overfitting, training performance is usually good while testing performance is poor. Exam tip: Poor performance on both datasets suggests underfitting, whereas poor performance mainly on testing data suggests overfitting.
A. सकारात्मक अनुमान सही था/The positive prediction was correct
Explanation
Simple Explanation
सत्य सकारात्मक (True Positive) तब होता है जब मॉडल किसी उदाहरण को सकारात्मक वर्ग के रूप में पहचानता है और वास्तविक वर्ग भी सकारात्मक होता है। इसलिए यह सही सकारात्मक वर्गीकरण को दर्शाता है। विकल्प B गलत सकारात्मक (False Positive) और विकल्प C गलत नकारात्मक (False Negative) से संबंधित है। परीक्षा-युक्ति: TP में अनुमान और वास्तविक परिणाम दोनों सकारात्मक होते हैं। / A true positive occurs when the model predicts the positive class and the actual class is also positive. Therefore, it represents a correctly identified positive case. Option B describes a false positive, while option C describes a false negative. Exam tip: In TP, both the prediction and the actual result are positive.
