(Bạn có thể muốn nhìn vào "bảng" bên dưới trước)
Hãy bắt đầu với các máy vectơ hỗ trợ "cổ điển". Những điều này học cách phân biệt giữa hai loại. Bạn thu thập một số ví dụ về loại A, một số loại B và chuyển cả hai cho thuật toán đào tạo SVM, tìm thấy dòng / mặt phẳng / siêu phẳng tách A tốt nhất khỏi B. Điều này hoạt động - và nó thường hoạt động khá tốt - khi bạn muốn phân biệt giữa các lớp được xác định rõ ràng và loại trừ lẫn nhau: nam so với nữ, các chữ cái trong bảng chữ cái, v.v.
Tuy nhiên, giả sử bạn muốn xác định "A" s thay vào đó. Bạn có thể coi đây là một vấn đề phân loại: Làm thế nào để tôi phân biệt "A" với "không-A". Khá dễ dàng để tập hợp một bộ huấn luyện bao gồm hình ảnh của những con chó, nhưng những gì nên đi vào bộ huấn luyện của bạn không phải là chó? Vì có vô số thứ không phải là chó, bạn có thể gặp khó khăn khi xây dựng một bộ huấn luyện toàn diện và đại diện cho tất cả những thứ không phải là chó. Thay vào đó, bạn có thể cân nhắc sử dụng trình phân loại một lớp. Trình phân loại hai lớp truyền thống tìm thấy một mặt phẳng (siêu) tách A khỏi B. Thay vào đó, SVM một lớp tìm thấy đường thẳng / mặt phẳng / siêu phẳng ngăn cách tất cả các điểm trong lớp ("A" s) với gốc ;
"Hệ thống" của Bộ đồng phục thực sự là một tập hợp của nhiều "tiểu đơn vị" SVM hai lớp. Mỗi tiểu đơn vị được đào tạo sử dụng một đơnví dụ tích cực cho một lớp và một tập hợp lớn các ví dụ tiêu cực cho lớp kia. Do đó, thay vì phân biệt chó so với ví dụ không phải chó (SVM hai lớp tiêu chuẩn) hoặc chó so với nguồn gốc (SVM một lớp), mỗi tiểu đơn vị phân biệt giữa chó cụ thể (ví dụ: "Rex") và nhiều chó không ví dụ. Các SVM tiểu đơn vị riêng lẻ được huấn luyện cho từng ví dụ về lớp dương, vì vậy bạn sẽ có một SVM cho Rex, một SVM khác cho Fido, một loại khác cho con chó neighbour của bạn sủa lúc 6 giờ sáng, v.v. Đầu ra của các SVM tiểu đơn vị này được hiệu chuẩn và kết hợp để xác định xem một con chó, không chỉ là một trong các mẫu cụ thể, có xuất hiện trong dữ liệu thử nghiệm hay không. Tôi đoán bạn cũng có thể nghĩ các tiểu mục riêng lẻ giống như các SVM một lớp, trong đó không gian tọa độ được dịch chuyển sao cho ví dụ tích cực duy nhất nằm ở gốc.
Tóm lại, sự khác biệt chính là:
Dữ liệu đào tạo
- Hai lớp SVM: Ví dụ tích cực và tiêu cực
- Một lớp SVM: Chỉ các ví dụ tích cực
- "Hệ thống" của Bộ đồng phục: Các ví dụ tích cực và tiêu cực. Mỗi tiểu đơn vị được đào tạo trên một ví dụ tích cực duy nhất và nhiều ví dụ tiêu cực.
Số lượng máy
- Hai lớp SVM: một
- Một lớp SVM: một
- Tập hợp "hệ thống" SVM: nhiều (một máy phụ cho mỗi ví dụ tích cực)
Ví dụ cho mỗi lớp (mỗi máy)
- Hai lớp SVM: nhiều / nhiều
- Một lớp SVM: nhiều / một (cố định tại điểm gốc)
- Tập hợp "hệ thống" SVM: nhiều / nhiều
- Tập hợp "tiểu đơn vị" SVM: một / nhiều
Hậu xử lý
- Hai lớp SVM: Không cần thiết
- Một lớp SVM: Không cần thiết
- Bộ đồng phục SVM: Cần hợp nhất mỗi đầu ra của SVM thành dự đoán cấp lớp.
Phần tái bút: Bạn đã hỏi ý nghĩa của chúng bằng cách "[các cách tiếp cận khác] yêu cầu ánh xạ các mẫu vào một không gian tính năng chung mà hạt nhân tương tự có thể được tính toán." Tôi nghĩ rằng họ có nghĩa là một SVM hai lớp truyền thống hoạt động theo giả định rằng tất cả các thành viên của lớp đều giống nhau, và vì vậy bạn muốn tìm một hạt nhân đặt những con danes và dachsund tuyệt vời gần nhau, nhưng cách xa mọi thứ khác. Ngược lại, hệ thống SVM đồng bộ vượt qua điều này bằng cách gọi một con chó nếu nó đủ giống như OR dachsund giống như OR pach, mà không phải lo lắng về mối quan hệ giữa các mẫu.