One-vs-All và One-vs-One trong svm?

Sự khác biệt giữa trình phân loại SVM một đấu một và một đấu một là gì?

Liệu một phân loại có nghĩa là một phân loại để phân loại tất cả các loại / loại của hình ảnh mới và một so với một có nghĩa là mỗi loại / loại hình ảnh mới được phân loại với phân loại khác nhau (mỗi loại được xử lý bởi phân loại đặc biệt)?

Ví dụ: nếu hình ảnh mới được phân loại thành hình tròn, hình chữ nhật, hình tam giác, v.v.

machine-learning classification svm

— người dùng3378327
nguồn

Sự khác biệt là số lượng phân loại bạn phải học, tương quan mạnh với ranh giới quyết định mà chúng tạo ra.

Giả sử bạn có lớp khác nhau. Một so với tất cả sẽ đào tạo một trình phân loại cho mỗi lớp trong tổng số phân loại. Đối với lớp nó sẽ giả sử -labels là dương và phần còn lại là âm. Điều này thường dẫn đến các bộ dữ liệu mất cân bằng có nghĩa là SVM chung có thể không hoạt động, nhưng vẫn có một số cách giải quyết. $N$ $N$ $i$ $i$

Trong một đấu một, bạn phải huấn luyện một bộ phân loại riêng cho từng cặp nhãn khác nhau. Điều này dẫn đến các phân loại . Điều này ít nhạy cảm hơn với các vấn đề của bộ dữ liệu mất cân bằng nhưng đắt hơn nhiều về mặt tính toán. $\frac{N(N-1)}{2}$

— Gnattuha
nguồn

Xin vui lòng, ý bạn là nhãn i là dương HOẶC nhãn i-th là dương ?

— delusionX

nhãn tương ứng với lớp i là dương.

— Gnattuha

@Gnattuha - Bạn có ý nghĩa gì với bộ dữ liệu mất cân bằng? Cảm ơn trước.

— saurabheights

Tôi đọc ở đây - en.wikipedia.org/wiki/ trộm - "Mặc dù chiến lược này là phổ biến, nhưng nó là một heuristic chịu một số vấn đề. Thứ nhất, thang đo của các giá trị độ tin cậy có thể khác nhau giữa các phân loại nhị phân. phân phối lớp được cân bằng trong tập huấn luyện, người học phân loại nhị phân thấy phân phối không cân bằng vì thông thường tập hợp phủ định mà họ thấy lớn hơn nhiều so với tập tích cực ". Làm thế nào mà sự mất cân bằng ảnh hưởng đến độ chính xác?

— saurabheights