Missing data in datasets can lead to:

• Better model accuracy (بہتر ماڈل کی درستگی): گمشدہ ڈیٹا عام طور پر ماڈل کی درستگی کو کم کرتا ہے، بڑھاتا نہیں۔
• Incorrect model predictions (غلط ماڈل کی پیش گوئیاں): یہ صحیح آپشن ہے۔ جب ماڈل کو نامکمل ڈیٹا پر تربیت دی جاتی ہے، تو یہ غلط پیٹرن سیکھ سکتا ہے یا اہم تعلقات کو سمجھنے میں ناکام ہو سکتا ہے، جس کے نتیجے میں نئی ​​ڈیٹا پر غلط پیش گوئیاں ہوتی ہیں۔
• Faster training always (ہمیشہ تیز تربیت): گمشدہ ڈیٹا کی وجہ سے تربیت ہمیشہ تیز نہیں ہوتی۔ بعض اوقات، گمشدہ ڈیٹا کو سنبھالنے کے لیے اضافی پروسیسنگ کی ضرورت ہوتی ہے، جو تربیت کے وقت کو بڑھا سکتی ہے۔
• Reduced computation (کم حساب کتاب): گمشدہ ڈیٹا کی وجہ سے حساب کتاب میں کمی ضروری نہیں ہے۔ اگرچہ کچھ صورتوں میں ڈیٹا کی مقدار کم ہونے سے حساب کتاب کم ہو سکتا ہے، لیکن یہ بنیادی نتیجہ نہیں ہے اور اکثر گمشدہ ڈیٹا کو سنبھالنے کے لیے اضافی حساب کتاب کی ضرورت ہوتی ہے۔

لہذا، سب سے درست آپشن یہ ہے کہ گمشدہ ڈیٹا غلط ماڈل کی پیش گوئیوں کا باعث بن سکتا ہے۔

• Incorrect model predictions