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
classification metrics se related questions ko ek jagah revise karein. Har question me bilingual content, answer feedback aur explanation available hai.
A. ताकि सामान्य संदेश गलती से अवांछित न माने जाएं/So normal messages are not wrongly marked as spam
Explanation
Simple Explanation
परिशुद्धता यह बताती है कि मॉडल द्वारा अवांछित बताए गए संदेशों में वास्तव में कितने अवांछित हैं। अधिक परिशुद्धता का अर्थ है कम गलत-सकारात्मक परिणाम, इसलिए सामान्य संदेशों के गलती से स्पैम फ़ोल्डर में जाने की संभावना घटती है। विकल्प B, C और D परिशुद्धता के उद्देश्य नहीं हैं। परीक्षा टिप: परिशुद्धता का संबंध predicted positive मामलों की शुद्धता से होता है। / Precision measures how many messages predicted as spam are actually spam. High precision means fewer false positives, reducing the chance that legitimate messages are incorrectly moved to the spam folder. Options B, C, and D are not purposes of precision. Exam tip: precision focuses on the correctness of predicted positive cases.
A. क्योंकि रोग वाले मामलों को पकड़ना जरूरी होता है/Because identifying diseased cases is important
Explanation
Simple Explanation
पुनःस्मरण (Recall) उन सभी वास्तविक रोगग्रस्त मामलों में से सही ढंग से पहचाने गए मामलों का अनुपात है। स्वास्थ्य जांच में रोगग्रस्त व्यक्ति को स्वस्थ बताकर छोड़ देना, यानी false negative, गंभीर परिणाम दे सकता है। इसलिए अधिक से अधिक रोगग्रस्त मामलों को पकड़ना महत्वपूर्ण होता है और पुनःस्मरण को प्राथमिकता दी जा सकती है। विकल्प B गलत है, क्योंकि गलत चेतावनियों को अनदेखा करना उद्देश्य नहीं होता; उन्हें कम करने के लिए precision भी देखी जाती है। परीक्षा-टिप: जब किसी बीमारी के मामले छूटना महंगा हो, तो recall पर विशेष ध्यान दें। / Recall is the proportion of actual diseased cases that are correctly identified. In medical screening, declaring a diseased person healthy—a false negative—can have serious consequences. Therefore, detecting as many diseased cases as possible may be prioritised, making recall especially important. Option B is incorrect because false alarms should not simply be ignored; precision is also considered to control them. Exam tip: Give special attention to recall when missing a positive case has serious consequences.
A. यह तब होता है जब नकारात्मक वास्तविक परिणाम को सकारात्मक बताया जाता है/It occurs when a negative actual result is predicted as positive
Explanation
Simple Explanation
झूठा सकारात्मक (False Positive) वह स्थिति है जिसमें वास्तविक परिणाम नकारात्मक होता है, लेकिन मॉडल उसे सकारात्मक वर्ग में रखता है। इससे गलत चेतावनी या अनावश्यक कार्रवाई हो सकती है। विकल्प B सही सकारात्मक, विकल्प C सही नकारात्मक और विकल्प D झूठा नकारात्मक दर्शाते हैं। परीक्षा-टिप: भ्रम सारणी में False Positive को Actual Negative और Predicted Positive के संयोजन के रूप में याद रखें। / A false positive occurs when the actual result is negative but the model predicts the positive class. It can lead to a false alarm or unnecessary action. Option B represents a true positive, option C a true negative, and option D a false negative. Exam tip: Remember false positive as the combination of Actual Negative and Predicted Positive in a confusion matrix.
A. परिशुद्धता और पुनःस्मरण के बीच संतुलन का मूल्यांकन करने में/To evaluate the balance between precision and recall
Explanation
Simple Explanation
F1 स्कोर परिशुद्धता (precision) और पुनःस्मरण (recall) का हार्मोनिक माध्य होता है, इसलिए यह दोनों मापों के बीच संतुलन का एकल मान देता है। जब false positives और false negatives दोनों महत्त्वपूर्ण हों, विशेषकर असंतुलित वर्गों वाले डेटा में, तब यह उपयोगी होता है। केवल accuracy को पर्याप्त मान लेना ऐसे मामलों में भ्रामक हो सकता है। परीक्षा-युक्ति: F1 स्कोर तभी अधिक होगा जब precision और recall दोनों अच्छे हों। / The F1 score is the harmonic mean of precision and recall, so it provides a single measure of their balance. It is useful when both false positives and false negatives matter, especially with imbalanced datasets. Relying only on accuracy can be misleading in such cases. Exam tip: The F1 score is high only when both precision and recall are high.
A. वास्तविक सकारात्मक मामलों में से कितने सही पहचाने गए/How many actual positive cases were correctly identified
Explanation
Simple Explanation
पुनःस्मरण सभी वास्तविक सकारात्मक मामलों में से सही पहचाने गए मामलों का अनुपात मापता है। इसका सूत्र \(\text{Recall} = \frac{TP}{TP+FN}\) है, जहाँ \(TP\) सही सकारात्मक और \(FN\) गलत नकारात्मक मामलों को दर्शाते हैं। विकल्प B परिशुद्धता, विकल्प C सटीकता और विकल्प D विशिष्टता को दर्शाता है। परीक्षा-युक्ति: “वास्तविक सकारात्मक मामलों में से” वाक्यांश पुनःस्मरण की पहचान कराता है। / Recall measures the proportion of all actual positive cases that the model correctly identifies. Its formula is \(\text{Recall} = \frac{TP}{TP+FN}\), where \(TP\) denotes true positives and \(FN\) denotes false negatives. Option B describes precision, option C describes accuracy, and option D describes specificity. Exam tip: the phrase “out of the actual positive cases” points to recall.
A. नकारात्मक बताया लेकिन वास्तविकता सकारात्मक थी/Predicted negative but actual was positive
Explanation
Simple Explanation
झूठा नकारात्मक तब होता है जब मॉडल या परीक्षण परिणाम नकारात्मक बताए, जबकि वास्तविक स्थिति सकारात्मक हो। यह भ्रम-सारणी में False Negative (FN) है। विकल्प D झूठा सकारात्मक (False Positive) है, क्योंकि उसमें वास्तविक नकारात्मक स्थिति को सकारात्मक बताया जाता है। परीक्षा में याद रखें: FN = Predicted Negative, Actual Positive; ऐसे मामलों में वास्तविक सकारात्मक मामलों की पहचान छूट जाती है। / A false negative occurs when the model or test predicts a negative result even though the actual condition is positive. In a confusion matrix, this is represented as False Negative (FN). Option D is a false positive because it predicts positive when the actual condition is negative. Exam tip: remember FN as Predicted Negative, Actual Positive; it means a genuinely positive case was missed.
A. नकारात्मक बताया और वास्तविकता भी नकारात्मक थी/Predicted negative and actual was also negative
Explanation
Simple Explanation
सत्य नकारात्मक (True Negative, TN) तब होता है जब मॉडल किसी उदाहरण को नकारात्मक बताता है और वास्तविक वर्ग भी नकारात्मक होता है। इसलिए यह भ्रम सारणी में सही वर्गीकरण है। विकल्प B सत्य सकारात्मक, C मिथ्या सकारात्मक और D मिथ्या नकारात्मक को दर्शाते हैं। परीक्षा-युक्ति: TN को “negative को सही पहचानना” याद रखें। / A true negative (TN) occurs when the model predicts the negative class and the actual class is also negative. It is therefore a correct classification in the confusion matrix. Option B is true positive, C is false positive, and D is false negative. Exam tip: remember TN as correctly identifying a negative case.
A. मॉडल सकारात्मक बताता है लेकिन वास्तविक परिणाम नकारात्मक होता है/Model predicts positive but actual result is negative
Explanation
Simple Explanation
झूठा सकारात्मक (False Positive) तब होता है जब मॉडल सकारात्मक वर्ग का अनुमान लगाता है, लेकिन वास्तविक परिणाम या लेबल नकारात्मक होता है। इसलिए विकल्प A सही है। विकल्प B सही सकारात्मक (True Positive), विकल्प C सही नकारात्मक (True Negative) और विकल्प D झूठा नकारात्मक (False Negative) दर्शाता है। परीक्षा-युक्ति: False Positive में मॉडल का “positive” अनुमान गलत होता है। / A false positive occurs when the model predicts the positive class, but the actual result or label is negative. Therefore, option A is correct. Option B represents a true positive, option C a true negative, and option D a false negative. Exam tip: in a false positive, the model’s positive prediction is incorrect.
A. जिसे सकारात्मक माना गया और वह वास्तव में सकारात्मक था/Predicted positive and actually positive
Explanation
Simple Explanation
सत्य सकारात्मक (True Positive) तब होता है जब मॉडल किसी उदाहरण को सकारात्मक वर्ग का बताता है और वास्तविक वर्ग भी सकारात्मक होता है। विकल्प B मिथ्या सकारात्मक (False Positive) और विकल्प C मिथ्या नकारात्मक (False Negative) को दर्शाते हैं, जबकि D सत्य नकारात्मक (True Negative) है। परीक्षा में याद रखें: TP = predicted positive + actual positive। / A true positive (TP) occurs when the model predicts the positive class and the actual class is also positive. Option B is a false positive, option C is a false negative, and option D is a true negative. Exam tip: remember TP as predicted positive plus actual positive.
