Un contre tous et un contre un dans svm?

Quelle est la différence entre un classificateur SVM un contre un et un contre un?

Est-ce que un contre un signifie un classificateur pour classer tous les types / catégories de la nouvelle image et un contre un signifie que chaque type / catégorie de nouvelle image se classe avec un classificateur différent (chaque catégorie est gérée par un classificateur spécial)?

Par exemple, si la nouvelle image doit être classée en cercle, rectangle, triangle, etc.

machine-learning classification svm

— user3378327
source

La différence est le nombre de classificateurs que vous devez apprendre, ce qui est fortement corrélé à la frontière de décision qu'ils créent.

Supposons que vous ayez classes différentes. Un contre tous formera un classificateur par classe au total classificateurs. Pour la classe il suppose que les étiquettes sont positives et les autres négatives. Cela conduit souvent à des ensembles de données déséquilibrés, ce qui signifie que le SVM générique pourrait ne pas fonctionner, mais il existe toujours des solutions de contournement. $N$ $N$ $i$ $i$

Dans un contre un, vous devez former un classificateur distinct pour chaque paire d'étiquettes différente. Cela conduit aux classificateurs . Ceci est beaucoup moins sensible aux problèmes des ensembles de données déséquilibrés mais est beaucoup plus coûteux en termes de calcul. $\frac{N(N-1)}{2}$

— Gnattuha
source

S'il vous plaît, vouliez-vous dire que les i-labels étaient positifs OU que le i-ème label était positif ?

— delusionX

étiquettes correspondant à la classe i comme positives.

— Gnattuha

@Gnattuha - Qu'entendez-vous par ensembles de données déséquilibrés? Merci d'avance.

— saurabheights

J'ai lu ici - en.wikipedia.org/wiki/… - "Bien que cette stratégie soit populaire, c'est une heuristique qui souffre de plusieurs problèmes. Premièrement, l'échelle des valeurs de confiance peut différer entre les classificateurs binaires. Deuxièmement, même si la répartition des classes est équilibrée dans l'ensemble de formation, les apprenants en classification binaire voient des répartitions déséquilibrées parce que généralement l'ensemble des négatifs qu'ils voient est beaucoup plus grand que l'ensemble des positifs ". Mais comment ce déséquilibre affecte-t-il la précision?

— saurabheights