Lựa chọn 1 của bạn có thể không phải là cách tốt nhất để đi; nếu bạn muốn có nhiều phân loại nhị phân, hãy thử một chiến lược gọi là One-vs-All .
Trong One-vs-All bạn về cơ bản có một bộ phân loại nhị phân chuyên gia thực sự tốt trong việc nhận ra một mẫu từ tất cả các mẫu khác và chiến lược thực hiện thường được xếp tầng. Ví dụ:
if classifierNone says is None: you are done
else:
if classifierThumbsUp says is ThumbsIp: you are done
else:
if classifierClenchedFist says is ClenchedFist: you are done
else:
it must be AllFingersExtended and thus you are done
Dưới đây là phần giải thích đồ họa về One-vs-all từ khóa học của Andrew Ng:
Phân loại nhiều lớp ưu và nhược điểm:
Ưu điểm :
- Dễ dàng sử dụng ra khỏi hộp
- Tuyệt vời khi bạn thực sự có nhiều lớp
Nhược điểm :
- Thường chậm hơn phân loại nhị phân trong quá trình đào tạo
- Đối với các vấn đề chiều cao, họ thực sự có thể mất một thời gian để hội tụ
Phương pháp phổ biến :
- Mạng lưới thần kinh
- Các thuật toán dựa trên cây
One-vs-All phân loại ưu và nhược điểm:
Ưu điểm :
- Vì chúng sử dụng phân loại nhị phân, chúng thường nhanh hơn để hội tụ
- Tuyệt vời khi bạn có một số ít các lớp học
Nhược điểm :
- Thật là khó chịu khi phải đối phó khi bạn có quá nhiều lớp
- Bạn thực sự cần phải cẩn thận khi đào tạo để tránh mất cân bằng lớp giới thiệu sai lệch, ví dụ, nếu bạn có 1000 mẫu
none
và 3000 mẫu của thumbs_up
lớp.
Phương pháp phổ biến :
- SVM
- Hầu hết các phương pháp tập hợp
- Các thuật toán dựa trên cây